Hallo zusammen, Google hat mit den neuen Audio-Modellen Gemini 3.8 Flash TTS und Flash-Lite TTS die Messlatte für KI-Sprachgenerierung kräftig nach oben geschoben. Ich war direkt im Google AI Studio unterwegs, um das Potenzial für unsere Audio-Pipelines auf Herz und Nieren zu prüfen. Hier sind die wichtigsten neuen Features der Google-Modelle: 🗣️ Stimmen-Design per Text: Statt starrer Presets werden Charakter, Akzent und Stimmung direkt über den Prompt geformt. 🎬 Line-by-Line Regie: Lachen, Seufzen, Räuspern oder gezielte Pausen lassen sich zeilenweise im Skript steuern – inklusive Multi-Speaker-Dialogen aus einem einzigen Text. 👯 Sicheres Voice Cloning: 30 Sekunden Audiomaterial reichen für ein Stimmprofil (inklusive Consent-Pflicht und SynthID-Wasserzeichen). ⏱️ Kein Speaker Drift: Die Stimmcharakteristik bleibt auch über lange Sequenzen hinweg absolut stabil. 🔥 Das Timing könnte kaum spannender sein: Direkt am 28.09. hat ElevenLabs mit dem V4-Update nachgezogen. Ich habe die Gelegenheit sofort genutzt und den direkten A/B-Vergleich gemacht: Die exakt identische Sequenz habe ich einmal durch das Google AI Studio und einmal durch ElevenLabs V4 gejagt. Hört selbst rein und vergleicht die Ergebnisse: 🎧 Sample 1: Gemini 3.8 Flash TTS 🎧 Sample 2: ElevenLabs V4 💰 Kosten-Check für diese Test-Sequenz: Um das Ganze wirtschaftlich einzuordnen, hier die umgerechneten Ausgaben für exakt diesen Testlauf: - ElevenLabs V4: ca. 0,06 EUR (121 Credits verbraucht; zur Einordnung: Im Free-Plan sind 10.000 Credits inklusive, jedoch ist hier keine gewerbliche Nutzung erlaubt). - Gemini 3.8 Flash TTS: ca. 0,045 EUR. Die ganze Folge mit allen Details, Prompt-Strategien und der detaillierten Analyse gibt es demnächst auf meinem Podcast KI AffAIrs – überall dort, wo es Podcasts gibt. 🎙️✨