Gemini Voice Studio
Слушать
Нажмите «Слушать», чтобы озвучить текст.

Программа позволяет озвучивать тексты высококачественными нейросетевыми голосами Google Gemini и транскрибировать речь в текст.
Примеры голосов.
Богатырская сила!
Программист и блондинка.
Война и Microsoft.
Функции программы
- Озвучивание текстов (Text-To-Speech). Используются современные нейросетевые голоса Google. Текст звучит естественно, с выражением и эмоциями. Программа автоматически разбивает длинные тексты на фрагменты для обхода лимитов.
- Преобразование речи в текст (Speech-To-Text). Высокое качество транскрибации с автоматической расстановкой знаков препинания.
- Гибкая настройка. Выбор моделей для каждой задачи, настройка размера фрагмента текста и удобное сохранение результатов.
Требования
- Средство обхода географических ограничений Google. В России для работы с Google Gemini требуются специальные DNS-серверы или законопослушные VPN-сервисы, обеспечивающие доступ к ресурсам Google AI Studio.
- API ключ. Его можно бесплатно получить на сайте https://aistudio.google.com под вашей учётной записью Google.
- Операционная система. Windows 10 (x64) или новее.
Начало работы
- Распакуйте архив с программой.
- Запустите файл GeminiVoiceStudio2.exe.
- Нажмите кнопку «Настройки», вставьте ваш API ключ в соответствующее поле и нажмите кнопку «Save».
Использование программы
Интерфейс разделён на две основные вкладки: «Озвучивание текста» и «Распознавание речи».
Озвучивание текста
- Введите или вставьте текст в большое поле редактирования.
- В блоке настроек выберите желаемый голос (например, Kore, Aoede и др.).
Записи с примерами звучания голосов находятся в папке «Образцы голосов». Послушайте, сравните и выберите тот голос, который считаете наиболее подходящим для вашего материала. - Установите размер части текста (по умолчанию 3000 знаков). Это ограничение на длину одного фрагмента, который программа отправляет нейросети за один раз. Если текст длинный, программа сама разделит его на такие части и озвучит их
Обратите внимание, программа в любом случае разделит текст между предложениями. Найдёт окончание одного предложения и завершит фрагмент, следующее предложение окажется в следующем фрагменте. Это необходимо, чтобы озвучивать длинные тексты не превышая лимиты, но при этом, отправлять модели фрагменты с законченными предложениями, чтобы в точке разделения фрагментов текст озвучивался с нормальной интонацией.
Размер одного фрагмента можно регулировать, указав количество символов в одном фрагменте. Если указать в этой настройке слишком большое значение, модель просто не озвучит фрагмент полностью, если значение будет слишком маленьким, очень часто будет меняться стиль чтения и звучание голоса, так же вы очень быстро достигните лимита на использование модели или запросов по AAPI.
Настройка «Макс. Символов во фрагменте» находится в диалоге настроек, нажмите кнопку «Настройки», установите желаемый размер одного фрагмента в символах и нажмите кнопку «Save», чтобы сохранить настройки. - Выберите модель. Важно: для озвучивания необходимо выбирать только те модели, в названии которых есть аббревиатура «TTS» (например, gemini-2.5-flash-preview-tts).
Для выбора моделей нажмите кнопку «Настройки», в появившемся окне нажмите кнопку «Загрузить список моделей» и немного подождите, пока программа загружает актуальный список доступных моделей. После того, как загрузка списка будет завершена, вы сможете выбирать модели для синтеза и распознавания речи в соответствующих комбинированных списках.
После выбора моделей не забудьте нажать кнопку «Save». - Нажмите кнопку «Озвучить». Начнётся обработка текста. Статус обработки можно прочитать в строке состояния.
- После того, как обработка будет завершена, вы можете прослушать результат. Для этого нажмите кнопку «Играть». Начнётся воспроизведение, а кнопка изменит своё название на «Стоп». Повторное нажатие этой кнопки остановит воспроизведение.
- Если результат вам нравится, нажмите «Сохранить аудио», чтобы записать файл в формате MP3 или WAV. Формат можно выбрать в комбинированном списке «Тип файла» в диалоговом окне сохранения файла.
- Для новых моделей, таких как gemini-3.1-flash-tts-preview советую устанавливать размер одного фрагмента не более 1000 символов, при чтении новой моделью слишком длинных фрагментов голос постепенно начинает искажаться и становиться глухим. это особенность модели.
Распознавание речи
- Перейдите на вкладку «Распознавание речи».
- Нажмите кнопку «Выбрать аудиофайл для распознавания», (Обзор) и укажите файл на компьютере. Поддерживаются файлы MP3, WAV и M4A.
- В настройках выберите модель для распознавания (например, gemini-2.5-flash).
- Нажмите кнопку «Распознать».
- После завершения процесса текст появится в поле вывода. Его можно скопировать или сохранить в текстовый файл кнопкой «Сохранить текст».
Важные примечания и лимиты
- В версии 2.0 программа не загружает задания в облако и не использует Batch API. Все операции происходят в реальном времени.
- Лимиты API. Google устанавливает ограничения на количество запросов в минуту и в сутки. Если вы получаете ошибку 429, значит, лимит исчерпан — попробуйте позже или смените модель в настройках.
- Проекты. Программа сохраняет данные о последних операциях локально в папку «Projects». Вы можете открыть ранее созданный проект, нажав кнопку — «Открыть проект».
Если это проект преобразование текста в речь (TTS), в папке с проектом будут находится WAV файлы. В каждом WAV файле будет аудиозапись одного фрагмента текста, а так же в папке будет аудиофайл «final_audio.wav», в котором будет готовая, склеенная в один трек аудиоверсия текста.
При открытии проекта TTS в программе вы сможете сохранить аудио в WAV или MP3, если аудиофайлы уже готовы и обнаружены в проекте. Если в проекте TTS не будет финального аудиофайла «final_audio.wav», программа начнёт преобразование текста в речь.
Совет. Сперва выполните настройки программы, сохраните изменения и только потом вставляйте текст для преобразования в речь. Тогда вы получите актуальную статистику по тексту, (количество слов и фрагментов).
Устранение неполадок
Если программа выдаёт ошибку «Failed precondition» или сообщает, что ваше местоположение не поддерживается (User location is not supported), проверьте настройки вашего средства обхода региональных ограничений Google.
Как проверить? Откройте адрес:
https://gemini.google.com
Если откроется чат с Gemini, значит, всё нормально, если откроется страница с информацией о том, что Gemini не поддерживается в вашей стране, проверьте ваше средство обхода географических ограничений Google.
Исходный код.
Исходный код программы доступен в файле main.py.
Скачать Gemini Voice Studio
Gemini Voice Studio с поддержкой Batch API.
Плюсы.
- При использовании Batch API цена токенов ниже на 50%.
- Обработка происходит в облаке Google.
- После того, как текст отправлен на обработку, не нужно держать программу запущенной, можно закрыть программу и даже выключить компьютер и забрать готовый результат позже.
- Более стабильная работа TTS моделей. Голос не плывёт, даже при генерации длинных фрагментов, около 3000 символов. На синтез речи отправляются фрагменты около 3000 символов с разделением фрагментов между предложениями. Это значительно увеличивает длину одного фрагмента и стиль чтения меняется на много реже.
Минусы.
- При использовании Batch API доступны не все TTS модели.
- Есть лимит на количество фрагментов и, как результат, лимит на длину одного текста.
Подробная текстовая инструкция находится в файле «Прочитай!.docx».
Аудиоинструкция находится в файле «Аудиоинструкция.mp3».