Gemini 3.8 TTS: Google erlaubt Anpassung bestehender Synthesestimmen per einfachem Prompt
Google hat am 4. November Voice Remixing für Gemini 3.8 Flash TTS freigeschaltet: Nutzer können eine Stimme aus der Bibliothek oder eine individuell erstellte Stimme als Basis wählen und Akzent, Timbre, Tonhöhe oder Sprechtempo per Textanweisung anpassen. Die kostenpflichtigen Projekten vorbehaltene Funktion gilt nicht für geklonte Stimmen.
Google hat am 4. November 2026 Voice Remixing für Gemini 3.8 Flash TTS freigeschaltet, sein im September eingeführtes Sprachsynthese-Modell. Das Prinzip: Anstatt eine Stimme von Grund auf neu zu erstellen, greift man auf eine vorhandene Stimme zurück und modifiziert sie per Textanweisung – etwa „füge einen leichten Südstaaten-Akzent hinzu“ oder „lass die Stimme etwas älter, gesetzter und im Tempo eines Hörbuchs klingen“. Die Funktion ist in Google AI Studio und der Gemini-API verfügbar.
Wie es funktioniert
Man wählt eine Ausgangsstimme: eine der 30 Studio-Stimmen von Google, eine Stimme aus der erweiterten Bibliothek (laut Google über 2.000 Stimmen) oder eine bereits per Beschreibung erstellte Stimme („Voice design“). Anschließend beschreibt man die gewünschten relativen Anpassungen: Alter, Tonhöhe, Energie, Timbre, Akzent, Sprechtempo. Das Modell generiert eine neu gespeicherte Stimme mit eigener Kennung und einem kurzen Vorschau-Ausschnitt, ohne die ursprüngliche Stimme zu verändern. Dieser Remix kann wiederum als Basis für einen weiteren Remix dienen, um eine Stimme Schritt für Schritt zu verfeinern.
Die so erzeugten Stimmen funktionieren mit Gemini 3.8 Flash TTS und der leichteren Version Flash-Lite TTS. Die Funktion ist kostenpflichtigen API-Projekten vorbehalten (Stufe 1 oder höher). Ein Projekt kann bis zu 200 benutzerdefinierte Stimmen aller Kategorien speichern; jede Stimme verfällt ein Jahr nach ihrer letzten Nutzung.
Was ausgeschlossen bleibt: geklonte Stimmen
Gemini 3.8 TTS bietet fünf Wege, um an eine Stimme zu gelangen, darunter die Replikation einer echten Stimme auf Basis einer Tonaufnahme. Für diese gelten strengere Regeln: Google verlangt eine Aufnahme von 10 bis 30 Sekunden sowie eine Einverständniserklärung desselben erwachsenen Sprechers, der einen vorgegebenen Satz vorliest. Synthetische Aufnahmen oder Dateien mit einem SynthID- oder C2PA-Wasserzeichen werden abgewiesen. Alle generierten Audiodateien tragen laut Dokumentation ein unhörbares SynthID-Wasserzeichen.
Der Remix lässt sich der Dokumentation zufolge auf vordefinierte Stimmen, Stimmen aus der Bibliothek sowie entworfene oder bereits geremixte Stimmen des Projekts anwenden. Replizierte Stimmen tauchen nicht in der Liste der zulässigen Ausgangsbasen auf: Man kann demnach laut Dokumentation keine geklonte Stimme als Grundlage für eine Modifikation heranziehen.
Unsere Einschätzung
Für Ersteller von Videos, Podcasts oder Spielen löst Voice Remixing ein konkretes Problem: Man findet in einer Bibliothek eine Stimme, die „fast“ passt, muss aber bislang von vorne anfangen, um ein einzelnes Detail zu ändern. Eine Stimme beizubehalten und nur Akzent oder Sprechtempo anzupassen, rückt die Regiearbeit näher an die Führung eines echten Sprechers heran. Es handelt sich eher um eine schrittweise Weiterentwicklung als um ein völlig neues Modell, und die tatsächliche Qualität muss sich erst in unabhängigen Tests beweisen. Der interessanteste Punkt ist Googles Entscheidung, das Remixen auf synthetische Stimmen zu beschränken und geklonte Stimmen hinter einem expliziten Einwilligungsverfahren zu belassen: eine sinnvolle Schutzmaßnahme, auch wenn sie nur das absichert, was direkt über Googles Tool läuft.
Quellen
- Google (X) — Ankündigung von Voice Remixing für Gemini 3.8 Flash TTS Primärquelle
- Google AI for Developers — Leitfaden Voice remixing Primärquelle
- Google AI for Developers — Änderungsprotokoll der Gemini-API (4. November 2026) Primärquelle
- Google — Gemini 3.8 Flash TTS and Gemini 3.8 Flash-Lite TTS (23. September 2026) Primärquelle
- Google AI for Developers — Leitfaden Speech generation (Stimmoptionen) Primärquelle
- Google AI for Developers — Leitfaden Voice replication Primärquelle
Eine Primärquelle stammt direkt von dem betreffenden Unternehmen, Labor oder der Organisation. Eine Sekundärquelle gibt die Information wieder, ohne ihr Urheber zu sein: Wir kennzeichnen sie als solche. Einen Fehler entdeckt? Lesen Sie unsere Korrekturrichtlinie.
