Google dévoile Gemini 3.1 Flash TTS : un modèle vocal pilotable, avec dialogues et plus de 70 langues

Google a mis en préversion Gemini 3.1 Flash TTS, un nouveau modèle de synthèse vocale qui ne se contente pas de lire du texte, mais mise sur la mise en scène de la voix. La principale différence de cette version : le développeur peut fixer l'intonation, le rythme, l'accent et même un changement d'émotion directement dans le prompt texte, plutôt que d'ajuster le résultat à l'aveugle via un jeu de paramètres figés. Pour le marché de l'IA vocale, c'est un virage notable : le text-to-speech ressemble de moins en moins à une boîte noire et de plus en plus à un outil de réalisation.

La version est déployée en mode preview pour les développeurs via l'API Gemini et Google AI Studio, pour les clients entreprise via Vertex AI, et pour les utilisateurs de Workspace via Google Vids.

Selon Google, Gemini 3.1 Flash TTS a obtenu 1211 points Elo au classement Artificial Analysis TTS, fondé sur des comparaisons à l'aveugle de la qualité vocale par des utilisateurs. L'entreprise le présente comme le modèle le plus naturel et le plus expressif de sa gamme TTS. Google insiste aussi sur l'association d'une qualité élevée et d'un coût relativement bas : le modèle vise donc non seulement les démonstrations, mais aussi des usages produit à grande échelle.

La fonction clé de cette mise à jour, ce sont les audio tags : des commandes textuelles intégrées qui contrôlent la façon exacte dont une phrase est prononcée. Le développeur peut décrire une scène, attribuer un profil vocal à un personnage, ajouter des indications de réalisation sur le ton et le rythme, puis affiner certaines répliques, voire des portions d'une même réplique, avec des balises inline entre crochets. Autrement dit, une même phrase peut sonner calme, agacée, chuchotée ou accélérée sans changer de pipeline.

Google AI Studio reçoit des commandes configurables à cet effet, et les réglages prêts à l'emploi peuvent être exportés vers du code de l'API Gemini pour conserver le même rendu d'un projet et d'une plateforme à l'autre.

Deuxième axe majeur : l'échelle mondiale. Gemini 3.1 Flash TTS prend en charge plus de 70 langues et ne se limite pas à une conversion formelle du texte en audio : il tient compte des particularités locales de la parole, comme les accents, les nuances dialectales et le rythme d'élocution. Pour les équipes produit, c'est surtout important en localisation, doublage, assistants vocaux, podcasts, vidéos de formation et livres audio.

Autre différence notable : le mode multi-locuteurs natif. Le modèle peut générer un dialogue entre deux locuteurs dans une seule requête, sans découper la conversation en appels d'API distincts. Cela devrait offrir un rythme plus naturel et une meilleure cohérence entre les répliques que le schéma classique, où chaque voix est synthétisée séparément puis assemblée côté application.

Google a également intégré des filigranes SynthID dans tout le flux audio généré. Ils ne devraient pas être perceptibles par l'auditeur, mais permettent d'établir de façon fiable qu'un enregistrement a été créé par une IA. Alors que la voix synthétique gagne en qualité, ce n'est plus une option, mais un élément de sécurité de base : plus la voix est convaincante, plus il importe de pouvoir en vérifier l'origine automatiquement.

Le modèle reste toutefois en preview, et il a des limites. Dans sa documentation, Google indique que ce TTS ne prend pas en charge le streaming, que les réponses longues de plusieurs minutes peuvent perdre en stabilité et en qualité, et que, dans de rares cas, le service renvoie des tokens de texte au lieu d'audio, ce qui peut faire échouer la requête avec une erreur 500. Il y a aussi une réserve sur les prompts : si l'instruction est floue, le modèle peut rejeter la requête ou lire littéralement les notes de réalisation qui étaient des consignes.

La conclusion est simple : Google cherche à faire passer la synthèse vocale du statut d'outil d'API étroit à celui de composante de la plateforme multimodale complète Gemini. Gemini 3.1 Flash TTS est intéressant non seulement parce qu'il sonne mieux que les versions précédentes, mais parce qu'il donne au développeur une interface plus claire et plus maîtrisable pour travailler la voix. Si l'entreprise parvient vite à stabiliser les générations longues et conserve l'équilibre entre prix et qualité, elle a de bonnes chances de s'imposer non seulement dans la couche d'infrastructure, mais aussi dans les produits vocaux créatifs, où les services TTS spécialisés dominaient jusqu'ici.