Hacker News Digest

Gemini 3.8 Flash TTS и Flash-Lite TTS — новые модели текста в речь от Google, превращающие генерацию аудио в творческую студию. Flash TTS предназначен для глубокой креативной работы: позволяет создавать голоса с нуля через естественные языковые подсказки, управлять актёрскими нюансами, акцентами, темпом и диалоговыми деталями — идеален для игр, аудиокниг и интерактивных медиа. Flash-Lite TTS оптимизирован для масштаба: эффективен при большом объёме дубляжа, создания контента и голосовых агентов, сохраняя контроль над тоном и выразительностью.

Обе модели поддерживают более 100 языков и диалектов, предлагают доступ к библиотеке из 2000+ готовых голосов и позволяют клонировать голос по 30-секундному образцу с защитой через SynthID и C2PA. Пользователи могут сохранять кастомные голоса для согласованности в проектах, а bientôt появится функция ремикса голосов — настройка тембра, высоты и акцента через промпты. Уже доступны в Gemini API, Google AI Studio, Gemini Notebook и Google Vids, с корпоративным доступом через Gemini Enterprise в ближайшее время. Модели дополняют растущую линейку Gemini Audio, включая Live Translate и Transcribe 3.5.

Gemini 3.8 TTS — технологически впечатляющий прорыв, но его внедрение хаотично: несогласованность между платформами, отсутствие цен, региональные ограничения и проблемы с контролем над голосами ставят под сомнение практическую доступность для разработчиков. Спор: модель игнорирует ключевые вокальные подсказки вроде <chuckles> и <laughing>, что ставит под сомнение точность выполнения творческих инструкций; другие считают это временным багом. Спор: голоса всё ещё звучат как AI из-за чрезмерной экспрессивности; другие отмечают, что для большинства пользователей разница между AI и человеческой речью незаметна. Спор: voice cloning от Google считается безопасным благодаря consent verification и SynthID; другие выражают опасения по поводу хранения голосовых образцов и потенциальных злоупотреблений. Все участники согласны: Google демонстрирует полное отсутствие синхронизации между consumer, prosumer и cloud-платформами — одни и те же модели имеют разные возможности, доступность и версии в зависимости от аккаунта. Пользователи отмечают: отсутствие прозрачного ценообразования, ограничения по регионам и отсутствие нейтральных гендерных голосов в английском языке делают продукт неполноценным для профессионального использования. Многие подтверждают: локальные альтернативы, такие как Qwen3-TTS и SanoTTS, уже обеспечивают высокое качество синтеза речи без облака, что делает коммерческие решения Google менее привлекательными для частных и разработчиков. Совет: использовать Qwen3-TTS Voice Design и Gemma 4 для локального создания аудиокниг с полным набором персонажей — работает на видеокарте 8GB и не требует токенов. Совет: использовать tools.simonwillison.net/gemini-tts-playground для экспериментов с Gemini TTS — позволяет тестировать функциональность с минимальными затратами (менее цента за эксперимент). Совет: проверять доступность моделей в разных аккаунтах — образовательные и личные аккаунты могут иметь разные версии (например, 3.1 Pro vs 3.6 Flash Lite), что влияет на доступ к новым функциям. Совет: для создания аудиокниг с высокой точностью выявления реплик использовать локальные решения с Quotation attribution detection, достигающей 97.2% точности, как в проекте KeenLore. Пользователи отмечают: британские акценты в TTS-системах всё ещё звучат как американские с попыткой имитации — проблема не решена даже в новых моделях. Многие отмечают: Google выпускает множество вариантов Gemini (3.8 Flash, Flash-Lite, Omni и т.д.), но не обновляет базовые версии (например, 3.1 Pro), что вызывает недовольство долгосрочных пользователей. Пользователи подтверждают: voice replication доступен у многих провайдеров, Google следует тренду — технология уже не уникальна, а этические гарантии (consent, watermarking) остаются сомнительными. Несколько пользователей отмечают: TTS от Google не поддерживает API для однократных диалоговых ответов, в отличие от ElevenLabs, что ограничивает применение в интерактивных системах. Пользователи отмечают: отсутствие звуковых эффектов в TTS-системе делает её непригодной для геймдева, несмотря на заявленные возможности для игр.

Gemini 3.8 Live и Gemini 3.8 Live Extended Thinking — новые модели для голосовых агентов, обеспечивающие более интуитивное и интеллектуальное взаимодействие. Gemini 3.8 Live ориентирован на масштабируемость и эффективность, сочетая диалоговые способности с визуальным пониманием. Gemini 3.8 Live Extended Thinking предназначен для сложных задач, предлагая улучшенное многоступенчатое рассуждение и высокую производительность в агентных сценариях.

Gemini 3.8 Live Extended Thinking лидирует в Speech to Speech Quality Index с результатом 82.6, достигает 68.6% на τ-Voice и 35.1% на Sierra τ-Voice-banking, а также показывает 97.7% на Big Bench Audio. Gemini 3.8 Live занял второе место в Speech Agent Arena и остаётся экономически эффективным выбором для масштабного использования. Обе модели поддерживают обработку визуальных входов в режиме близком к реальному времени и интегрированы с SynthID-водяными знаками для обнаружения AI-генерированного аудио. Доступны через Gemini API, Google AI Studio, Gemini Enterprise и в продуктах вроде Search Live, Workspace и Gmail.

Gemini 3.8 Live демонстрирует выдающиеся результаты в редких языках (африкаанс, каталанский) и живом голосовом общении, превосходя GPT и Claude в естественности и грамматической точности для этих языков. Голосовой интерфейс воспринимается как более естественный и человечный, особенно в длительных разговорах во время поездок. Однако модель страдает от непоследовательности контекста — теряет его уже в следующем сообщении, внезапно вставляет рекламные ссылки и может зацикливаться, отвечая сама себе и переключая языки. Это делает её ненадёжной для серьёзного использования. Глубокие рассуждения и аналитика остаются слабыми: Extended Thinking в версии Flash не обеспечивает настоящего многоступенчатого рассуждения, а лишь незначительно расширяет ответ, вводя пользователей в заблуждение. Модель не справляется с делегированием задач, выдумывая действия вместо выполнения, и проигрывает даже простейшему шахматному паттерну, подрывая доверие к логическому мышлению. Голосовой синтез вызывает дискомфорт у некоторых пользователей — интонации описываются как «ногти по доске» и «жуткие». Gemini 3.8 не может автоматически суммировать YouTube-видео без транскрипта, ограничивая автономность. Доступ к модели непоследователен: не все пользователи Google AI Plus и Workspace Business имеют доступ, что указывает на непрозрачное развертывание. Тем не менее, Gemini 3.8 Live работает на рабочих аккаунтах Google Workspace, где другие модели часто недоступны, что делает его ценным для корпоративных пользователей. Gemini 3.8 Flash показывает лучшую производительность по токенам в секунду по сравнению с GLM, Kimi и DeepSeek, а также лучшее понимание локальных нюансов и юмора, но его надёжность в сложных задачах оставляет желать лучшего из-за галлюцинаций. Пользователи с редкими языками рекомендуют расширять поддержку нишевых языков для языкового сохранения и обучения. Также требуют возможность сохранять историю диалогов и исключать её из обучения модели, иначе не будут использовать её для серьёзных задач.

Gemini 3.5 Transcribe — это новая модель распознавания речи от Google, обеспечивающая высокую точность и интеллектуальную обработку аудио в реальном времени и для предварительно записанных файлов. Она превосходит традиционные системы, эффективно справляясь с фоновым шумом, дисфлюенциями (например, «эм», «а»), самокоррекциями и сложной терминологией, автоматически форматируя текст и удаляя лишние элементы. Модель поддерживает более 85 языков с учётом акцентов и диалектов, а также распознаёт до трёх спикеров с метками времени и идентификацией говорящих в предварительно обработанном аудио (поддержка большего числа спикеров — экспериментальная).

Ключевые показатели точности: средний показатель ошибок слова (WER) составляет 4,0% для потоковой транскрипции и 2,6% для обработки предварительно записанного аудио, что подтверждается независимыми измерениями Artificial Analysis. Модель точно распознаёт алфавитно-цифровые сущности, такие как почтовые индексы и номера заказов, и поддерживает кастомный словарь для специализированной терминологии. Доступна через два API: потоковый (gemini-3.5-transcribe-live) с субсекундной задержкой для интерактивных приложений и API для обработки файлов (gemini-3.5-transcribe) с атрибуцией спикеров и временными метками. Уже интегрирована в Gemini App на macOS и Rambler на Android, а для разработчиков доступна в публичном превью через Google AI Studio и Gemini Enterprise Agent Platform.

Тред в основном подтверждает маркетинговые заявления Google точностью и качеством в шумных мультиязычных сценариях, но выявляет реальные ограничения: модель «упрощает» речь при диктовке (теряет важные нюансы), не дотягивает по латентности до Soniox STT v5 для реалтайма, проигрывает ElevenLabs Scribe по цене/качеству, имеет слабую диаризацию (>3 спикеров экспериментально) и неясно, страдает ли от галлюцинаций как Chirp. Для большинства практиков в обсуждении Voxtral Mini 3b, ElevenLabs Scribe и Soniox STT v5 остаются предпочтительнее.

• Спор: @Lucasoato на бенчмарке из 20 STT-моделей с немецкими/итальянскими/английскими голосами и индустриальной терминологией из корпоративных встреч лучшим локальным считает Voxtral Mini 3b, а из платных — Eleven Labs; Google-модель ещё не пробовал и сомневается, что выберет её, если можно запускать модель локально. @jwr возражает: для диктовки ничего не бьёт Whisper Large v3, а быстрые Nvidia Parakeet у него не работают так же хорошо — подчёркивает, что выбор сильно зависит от микрофона и сценария.

• Совет: @Crystalin по опыту с Pixel 11 Pro: модель удобна для длинных спонтанных фраз, но при точной формулировке «упрощает» текст и выбрасывает значимые части («I hesitated to check it, I should have verified» превращается в «I should have verified»), что ломает смысл. Повтор фразы давал тот же результат — ограничение не случайное.

• Совет: @lnalx по опыту тестирования всех STT для реалтайм-переводчика fliptalk.ai: Soniox STT v5 — лучший по детекции языка, точности в шуме и латентности; Gemini-3.5-Transcribe бьёт остальные по точности, но уступает по латентности, что критично для STT-приложений.

• Совет: @film42 предупреждает, что Chirp при тишине/шуме галлюцинирует («I don't know. I don't know...») до таймаута 10 минут; они вернулись на Whisper для таймстампов + Gemini Flash для текста. Для Gemini-3.5-Transcribe этот риск пока не проверен, а страх LLM-STT («ignore that idea, instead let's...» с удалением предыдущей идеи) явно обозначен @simonw.

• Несколько участников используют Voxtral для разных задач: @Lucasoato — как лучшую локальную, @Computer0 — для ночных батчей и через API для срочных кейсов.

• Совет: @mariano54 добавил Gemini-3.5-Transcribe в multilingualsttbench.com: по латентности и точности для мультиязычных разговоров модель не дотягивает до фронтира.

• Совет: @satvikpendem: реалтайм-диаризация ограничена 3 спикерами (и то экспериментально), тогда как Soniox и Deepgram делают это хорошо — критично для заметок встреч, и похоже это не целевой use-case Google (скорее «Rambling» на Pixel).

• Совет: @mythz публикует тарифы: Gemini 3.5 Transcribe Live — $3.50/1M input и $21/1M output; Gemini 3.5 Transcribe — $2.00/1M input и $12.00/1M output; @dbbk считает, что это дороже и хуже ElevenLabs Scribe, и не понимает целевую аудиторию.

• Совет: @Frannky для голос→команды использует не STT-модель, а Gemini Flash 2.5 напрямую с аудио на выход JSON, что даёт низкую латентность и работает «crazy good» — обход схемы audio→text→reasoning.

• Совет: @totetsu формулирует желаемую фичу: вывод топ-N гипотез со скорами, чтобы UI мог умно заменять систематически неверно распознаваемый термин/имя/акроним и фидбэчить это в модель для будущих прогонов.

• Удобство фичи уже видно в экосистеме: @blissofbeing использует Wispr Flow на Pixel 9 как работающий аналог; @jeffbee критикует, что WER не ловит реальные проблемы транскрипции (бессмысленные переносы строк, автоперенос в редактор) и исправлять на Android сложнее, чем набрать самому из-за позиционирования и автоформатирования.

• Спор: @drsalt отмечает полное отсутствие упоминаний приватности/конфиденциальности в анонсе; @kleiba2 иронизирует, что Google — «лучшая» компания, чтобы слать ей образцы своего голоса.

• Совет: @ameliaquining указала на путаницу в блоге: пункт «Function calling» про делегирование задач другим моделям относится к приложению, а не к самой STT-модели (dev-доки подтверждают, что Transcribe не делает function calls), вероятно редакторская ошибка в анонсе.

• Совет: @kristofferR жалуется, что Google Cloud биллинг для теста модели висит в «being processed» неопределённое время (>24 часов), тогда как OpenRouter настраивается за секунды — практический барьер для разработчиков.

• Совет: @LoganDark задаёт вопрос о модели, работающей на силлабическом уровне: произнести любое слово и получить его корректное написание — кастомный словарь помогает лишь частично из-за нерегулярности английской орфографии.

Gemini Omni 1.1 Flash — это обновлённая версия генеративной модели от Google DeepMind, ориентированная на профессиональное создание видео через API. Она добавляет студийный уровень контроля: теперь можно плавно расширять сцены на основе до 10 секунд предыдущего контекста (раньше — только последняя секунда), что обеспечивает лучшую визуальную согласованность и позволяет создавать истории длиной до 40 секунд шагами по 10 секунд. Также реализована генерация видео между заданными первым и последним кадрами — идеально для сложных переходов, орбит камеры или зацикленных клипов без скачков.

Для ускорения прототипирования доступен режим 360p: генерация происходит до 60% быстрее и в три раза дешевле, чем в стандартном 720p, что удобно для раскадровок и быстрой итерации. По готовности можно апскейлить результат до 4K с сохранением деталей. Модель уже интегрирована в Google AI Studio, Gemini Enterprise Agent Platform и доступна подписчикам Google AI Plus, Pro и Ultra в Google Flow и Gemini app. Официальная документация, кукбук и гайды по промптингу помогают разработчикам внедрять эти возможности в свои инструменты и рабочие процессы.

Тред почти не обсуждает техническую сторону Omni 1.1 Flash; вместо этого доминируют индустриальные и культурные последствия генеративного видео. Прозвучали конкретные сигналы удара по смежным профессиям (актёры озвучки, фотографы, иллюстраторы), скепсис по поводу практической пользы и контроля, а также единичные пользовательские наблюдения о поведении модели.

• Участники массово фиксируют исчезновение «небрендовых» креативных работ: @earthnail называет произвольную озвучку «мёртвой», @anonzzzies описывает по опыту из своего города, что меню/афиши/баннеры ресторанов и событий теперь генерирует OpenAI, а его знакомый фотограф перешёл на свадьбы, потому что коммерческие съёмки «plummeting» с конца прошлого года.

• Несколько комментаторов (@thangalin, @apwheele, @NooneAtAll3, @cube00, @DataDive, @bluerooibos) сходятся на том, что видеогенерация пока слаба для реальных задач: модели «дрейфуют» и не держат 30+ секунд, синхронизация с заранее записанным аудио не работает, а нетворческие превью в 360p при повторном запуске дают другой результат из-за недетерминированности.

• Пользователи (@037, @vardump, @ygouzerh, @GaggiX, @fg137) сообщают, что демо-страница Google плохо работает в Firefox и в целом неудобна на десктопе: бесконтрольный инстант-скролл назад к видео после ручного скролла, много тяжёлых видео; @037 в шутку предлагает гугловцам «P.S. Make sure the page works in Firefox too».

• Совет: @cube00 советует использовать низкое разрешение 360p только как драфт: при одинаковом промпте на 720p результат отличается из-за недетерминированности, поэтому превью — это лишь проверка идеи, а не воспроизводимый рендер.

• Совет: @andsoitis указывает, что тема влияния на актёров всё-таки обсуждалась, и даёт поисковый запрос на Algolia HN для тех, кому нужен контекст прошлых дискуссий и профсоюзные кейсы (упоминается контракт SAG-AFTRA против нелицензированных AI-перформансов).

• @petcat и @lambda отмечают, что экранные и голосовые актёры защищены профсоюзами (SAG-AFTRA), которые целенаправленно бастовали и выторговывали пункты про AI, в отличие от разработчиков, не имеющих коллективного рычага.

• Спор: @porridgeraisin и @deadlast2 считают автоматизацию креативных профессий логичным продолжением истории труда (как когда-то исчезли чертёжники), а @space_fountain и @DataDive возражают: инструменты «отлично делают слоп», но почти бесполезны для художественного видения и лишают визуальный контент обещания реальности, делая его «массивом пикселей, расставленных алгоритмом на 2D-экране».

• Часть комментаторов (@bluerooibos, @chermi, @SpyCoder77, @CmonGoogle) выражает усталость и недоверие к маркетингу: пользователи «онемели» к апдейтам, @chermi саркастически вспоминает «3.5prowithinamonth», а @CmonGoogle формулирует три ложные предпосылки, на которых держится нарратив фрагментации AI-брендов Google.

• Совет: @thangalin демонстрирует свой работающий self-hosted пайплайн для аудиокниг — контейнеризованное веб-приложение, озвучивающее его sci-fi роман локально с несколькими нарраторами и персонажами (скриншоты keenlore), показывая практический пример замены актёров озвучки.

• @petegleeson ловит явный failure модели в маркетинговом видео: цитата хвалит «accuracy» Omni Flash, а в кадре аргентинский футболист в майке «RESSC», что показывает, как минимум для текста на форме, заявленная точность не выдерживает проверки.

• @simonw ставит релиз в стратегический контекст: OpenAI фактически бросил Sora, а Google продолжает инвестировать в генерацию видео, возможно, потому что это путь к «world models», тогда как новой версии Gemini Pro давно нет — это подтверждает @guilhermeasper фразой «Google does anything except launch a new version of Gemini Pro».

• Совет: @shreya1999 формулирует сдвиг рынка: «сырое» качество генерации уже стало baseline-ом, конкуренция теперь идёт за контролируемость, а @overflowy предупреждает, что откажется от любого бизнеса, использующего сгенерированные видео в продакшене.

• Спор: @dominotw спорит с нарративом массовой автоматизации: AI хорошо работает только там, где есть компиляторы, тесты, CI и «куча данных» (например, hiring через Mercor), во всём остальном он «sucks», что противоречит видению @deadlast2 о скором поглощении всех индустрий.

Гемини 3.7 Flash — новое поколение «рабочей лошадки» от Google, созданное для сложного программирования и агентных сценариев. За три недели после релиза 3.6 Flash компания представила модель с существенно улучшенным пониманием кода, точностью генерации и способностью работать с длинными цепочками задач. На тестах FrontierCode 1.1 точность выросла с 34,4 % до 43,6 %, а в DeepSWE v1.1 — с 49,0 % до 65,3 %. В веб‑разработке 3.7 Flash генерирует полноценные приложения и UI‑компоненты из меньшего числа промптов, а на Arena.ai WebDev Arena набрал Elo 1588 против 1538 у предшественника.

Особенно заметны рост точности в обработке тяжёлых документов: на бенчмарке GDP.pdf показатель вырос с 22 % до 34 %, а в AutomationBench — с 17 % до 30,4 %. Стоимость остаётся вдвое ниже, чем у 3.6 Flash (0,75 $/млн входных и 3,75 $/млн выходных токенов), а новая версия лучше адаптируется к подводным камням, уточняет намерения пользователя и требует меньше ручного контроля. Теперь разработчики могут использовать её в Google AI Studio, Android Studio и через Gemini Enterprise, а обычные пользователи — в Spark внутри приложения Gemini.

Gemini 3.7 Flash лидирует по скорости и низкой задержке, что критично для интерактивных сценариев (например, Google AI Mode), но страдает от сложного парсинга «мыслей», академичного стиля ответов и неконкурентоспособной долгосрочной цены — после 2026 года тариф удваивается, при этом модель к тому времени устареет. Пользователи отмечают: - Модель лучше подходит для агентных задач и быстрых итераций, но слаба в сложном кодинге и рефакторинге — уступает GPT-5.6 Luna, DeepSeek и Opus. - Вывод требует значительной очистки от внутренних монологов, усложняя интеграцию. - Стиль ответов стал менее интуитивным, вероятно, из-за RLVR-тренировок. - Галлюцинации и ложные утверждения сохраняются в серии Flash (3.1–3.7), снижая доверие по сравнению с Claude или Sol. - Генерация SVG сломана в Firefox и Chrome из-за невалидных фильтров — проблема кросс-браузерной совместимости. - В image-to-html уступает Opus 5, но сопоставима с Grok 4.6. - Интеграция в Android-ассистента ухудшила UX: модель галлюцинирует инструкции и отказывается выполнять простые команды. - Google Cloud: запутанная номенклатура (Gemini, Anti-gravity, Vertex) и сложная регистрация CLI-инструментов отталкивают разработчиков. - Для специфических задач (анализ рынков на Rust) Stepfun AI Step-3.5-Flash дешевле и эффективнее. - AA-метрика выросла за счёт увеличения токенов вывода, а не качества — экономика использования изменилась. - Качество ответов («vibes») остаётся важнее бенчмарков: пользователи предпочитают Claude за стиль, несмотря на цифры. Споры о целесообразности: одни считают 3.7 Flash избыточным на фоне более дешёвых и быстрых альтернатив, другие — востребованным для быстрых задач, где превосходит Sonnet 5 и Opus.

Gemini Robotics 2 представляет собой прорыв в области робототехники, объединяя целостное управление телом, тонкую манипуляцию и командную работу через три интеллектуальных модели. Впервые роботы могут осмысливать и выполнять сложные задачи — от ходьбы и приседаний до уборки захламлённых помещений — с контролем от стоп до кончиков пальцев, используя визуальные и языковые подсказки. Модель Gemini Robotics 2 VLA преобразует восприятие в движения, ER 2 планирует многошаговые действия и координирует взаимодействие между роботами, а On-Device 2 позволяет адаптироваться к новым телам за несколько часов, работая локально без облака.

Ключевое достижение — способность к переносу навыков между разными роботами и реальному взаимодействию с человеческой средой. ER 2 уже доступен в Google AI Studio, а другие модели — в тестовом доступе для партнёров. Система демонстрирует, что роботы больше не привязаны к жёстким программам: они учатся, адаптируются и сотрудничают, как живые существа. Партнёры вроде Boston Dynamics и Apptronik уже тестируют технологии, что открывает путь к массовому внедрению умных роботов в быту и промышленности.

Участники обсуждают потенциал и риски робототехники и ИИ в контексте Gemini Robotics 2: возможность вреда людям, замены рабочих мест, этические последствия. Согласны, что технологии могут улучшить жизнь, но требуют осторожного внедрения. Рекомендуют фокусироваться на специализированных роботах, а не на универсальных андроидах.