Marți, Google a scos Gemini 3.8 Flash TTS, cu peste 2.000 de voci, 100 de limbi și replicare de voce dintr-un eșantion de o jumătate de minut. La câteva ore distanță, Alibaba a lansat Qwen-Audio-3.1 și a tăiat prețurile API-urilor vocale cu 70%, 85% și 95%. Iată ce s-a schimbat, cum funcționează și de ce vocea intră, de azi, în brand book.
Există un element de brand pe care aproape nimeni nu l-a definit vreodată într-un business mic: vocea. Nu „tone of voice”, felul în care scrii. Vocea propriu-zisă, sunetul. Cine răspunde la telefon, cine citește textul din Reels, cine narează cursul online, cine spune „bună, cu ce te pot ajuta?” în botul de suport. Până ieri, răspunsul era „cine e disponibil”. De ieri, răspunsul poate fi „aceeași voce, peste tot, în 100 de limbi, la un cost care nu mai contează”.
Pe 23 septembrie, Google a anunțat două modele noi de text-to-speech: Gemini 3.8 Flash TTS, orientat pe creație, și Gemini 3.8 Flash-Lite TTS, orientat pe volum. Cifrele din anunțul oficial: peste 2.000 de voci gata de producție, cu variante regionale; peste 100 de limbi și dialecte; posibilitatea de a crea o voce complet nouă dintr-o descriere în limbaj natural; replicarea unei voci dintr-un eșantion audio de 30 de secunde, cu verificare de consimțământ; regie linie cu linie a ritmului și emoției; scene cu doi vorbitori care își iau rândul natural; râs, oftat, interjecții de ascultare activă; generare de ore întregi de audio fără pierdere de calitate. Fiecare clip generat e marcat cu filigranul SynthID și primește credențiale C2PA. Modelul e pe locul 1 pe benchmark-ul Hume AI de Voice Design (scor 71,4) și conduce la modelarea accentelor (60,8). E disponibil în Gemini API, Google AI Studio, Gemini Notebook și Google Vids.
În aceeași zi, Alibaba a lansat Qwen-Audio-3.1, un pachet de cinci modele: ASR (recunoaștere vocală), ASR-Next, TTS, TTS-Next și Realtime. Și a tăiat prețurile pe toată linia: TTS cu circa 70%, Realtime cu circa 85%, ASR cu până la 95%. Noul ASR curăță automat „ăăă”-urile și repetițiile din transcriere; ASR-Next identifică vorbitorii, pune timestamp-uri și detectează emoția; TTS transferă aceeași voce dintr-o limbă în alta; TTS-Next generează voce, efecte sonore și fundal muzical împreună; modelul Realtime vorbește și ascultă simultan și poate fi întrerupt instant, ca un om la telefon.
Două companii, aceeași zi, aceeași direcție: vocea generată devine mai bună decât „suficient de bună” și mai ieftină decât orice alternativă umană.
Iată cât au scăzut prețurile și, puse alături, cele trei feluri de a da voce unui brand.


Cum funcționează, explicat fără jargon
Un model modern de text-to-speech e, în esență, același tip de sistem ca ChatGPT sau Claude, doar că, în loc să prezică următorul cuvânt, prezice următoarea bucată de sunet. Îi dai textul, eventual cu indicații de regie („aici încet, aici cu entuziasm”), iar el „citește” cu o voce pe care ai ales-o, ai descris-o sau ai replicat-o.
Cele trei feluri de a obține vocea merită explicate separat, pentru că au implicații diferite.
Vocea din bibliotecă e ca un catalog de actori: alegi dintre cele 2.000 de voci ale Google (sau dintre cele ale Qwen), testezi câteva și o păstrezi pe cea care sună a brandul tău. Rapid, sigur, fără probleme legale.
Voice design e casting-ul din descriere. Scrii „femeie, în jur de 40 de ani, caldă, calmă, ușor accent ardelenesc, ritm lent” și modelul construiește o voce care nu a existat niciodată. Google spune că de aici pornește o „bibliotecă nelimitată” de voci proprii. Pentru un brand, asta înseamnă o voce care nu poate fi găsită la niciun concurent, pentru că nu e a nimănui.
Replicarea e dublura. Înregistrezi 30 de secunde din vocea fondatorului, dai consimțământul verbal, iar modelul o reproduce pe orice text, în orice limbă. Aici apar și limitele: potrivit presei tehnice care a citit documentația, replicarea e restricționată în Regatul Unit, Spațiul Economic European (deci și în România), Elveția, Illinois și Texas. Pentru un business din România, concluzia practică e simplă: vocea de brand se proiectează, nu se clonează.
Filigranul SynthID e ultima piesă și cea mai puțin înțeleasă. E ca filigranul de pe o bancnotă: nu îl auzi, nu schimbă sunetul, dar oricine cu instrumentul potrivit poate verifica dacă un clip a fost generat de un model Google. Pentru un brand e o asigurare în ambele sensuri: poți dovedi ce ai produs tu și poți contesta ce a produs altcineva „cu vocea ta”.
Cât costă? Anunțul Google nu publică prețuri, dar presa tehnică (byteiota, care a citat pagina de prețuri a Gemini API) scrie că Flash TTS costă 0,50 $ per milion de tokeni de intrare plus 9 $ per milion de tokeni audio de ieșire, iar Flash-Lite 0,50 $ plus 6 $, cu mod batch la jumătate de preț, și că prețurile se dublează de la 1 ianuarie 2027. Aceeași sursă notează că Google nu publică o rată de conversie tokeni-secunde de audio, deci costul real pe minut trebuie măsurat pe textele tale. La Alibaba, nivelul TTS Flash e listat, conform OrcaRouter care a citit documentația Alibaba Cloud Model Studio, la 1,5 yuani per milion de tokeni de intrare și 12 yuani per milion de tokeni de ieșire, cu tarifele în vigoare din 22 septembrie pentru regiunile Beijing și Singapore. Ordinul de mărime contează mai mult decât zecimalele: un an întreg de mesaje vocale pentru un business mic costă mai puțin decât o zi de studio.
Ce înseamnă pentru un business mic
Până acum, vocea era un lux logistic. Un spot bun cerea actor, studio, montaj, iar la fiecare schimbare de text o luai de la capăt. Rezultatul: majoritatea businessurilor mici nu aveau nicio voce, aveau un robot telefonic din 2009 și clipuri fără narațiune.
Cu TTS generativ, vocea devine un activ, la fel ca logo-ul și paleta de culori. Aceeași voce răspunde în botul de suport la 21:30, narează Reels-ul de marți, citește lecția 4 din cursul online, salută clientul german în germană și pe cel italian în italiană, fără să angajezi pe nimeni și fără să reînregistrezi nimic când schimbi oferta. Ca la un post de radio: îl recunoști după voce înainte să auzi numele.
Există și partea care ar trebui să te neliniștească puțin. Dacă vocea fondatorului tău e pe YouTube, oricine din afara Spațiului Economic European poate încerca să o replice dintr-un clip de 30 de secunde. Nu e un motiv de panică, e un motiv să ai o politică: ce voce e „oficială”, unde e folosită, cum se verifică (filigran) și ce spui clienților dacă apare un mesaj vocal „de la tine” pe care nu l-ai trimis.
Ce poți face diferit, de mâine
Primul pas nu e tehnic. Scrie, într-un paragraf, cum sună brandul tău: vârstă percepută, energie, ritm, accent, ce face vocea când clientul e supărat. Dacă ai deja un brand book, adaugă pagina „voce”. Dacă nu ai, ăsta e un motiv bun să începi unul.
Al doilea pas: alege sau proiectează vocea. Intră în Google AI Studio, descrie vocea din paragraful de mai sus, generează același text de 30 de secunde în cinci variante, dă-le echipei fără să spună care e care și ține-o pe cea aleasă. Testează neapărat în română, cu diacritice și cu numele produselor tale, pentru că acolo se văd diferențele între modele.
Al treilea pas: pune vocea la muncă în procesele care rulează deja fără tine. Botul de suport care confirmă programări, mesajul de întâmpinare de la telefon, narațiunea clipurilor produse de botul de conținut, versiunea audio a newsletter-ului. Fiecare dintre acestea e un loc în care, până ieri, brandul tău era mut.
Exemplu ilustrativ (scenariu ipotetic): un atelier de mobilă la comandă, poziționat premium, cu doi meșteri și un proprietar care face vânzarea. Astăzi, telefonul sună în atelier, nimeni nu răspunde între 8 și 17 pentru că mâinile sunt în rumeguș, iar clipurile de Instagram sunt filmate frumos, dar mute. Cu o voce de brand proiectată (bărbat, 50 de ani, calm, cu răbdare de meșter) botul de suport răspunde la telefon și pe WhatsApp cu aceeași voce, clipurile capătă narațiune în română și engleză pentru clienții din diaspora, iar oferta trimisă pe email vine cu un mesaj vocal de 40 de secunde care explică de ce lemnul ăla costă cât costă. Proprietarul decide doar ce se spune. Restul rulează singur.
Cum poți fi cu un pas înainte
Concurenții tăi vor descoperi vocea generată peste un an, când va fi peste tot și va suna toată lumea la fel, ca fonturile gratuite. Avantajul de acum e că poți proiecta o voce care e doar a ta, o poți pune în toate punctele de contact și o poți lega de un sistem de boți care o folosește non-stop. Peste un an, „avem voce de brand” va fi ca „avem site”: obligatoriu, nu diferențiator.
Și un pas înainte în privința riscului: pune filigranul și consimțământul în contractul cu orice furnizor de conținut. Dacă cineva îți produce clipuri „cu voce”, întreabă ce model, ce voce, cu ce drepturi și dacă e marcată.
Concluzie
Pe 23 septembrie, două dintre cele mai mari companii de tehnologie din lume au făcut, în aceeași zi, același lucru: au transformat vocea din serviciu scump în infrastructură ieftină. Google a adus calitatea și trasabilitatea, Alibaba a adus prețul. Pentru un business mic, întrebarea nu mai e „ne permitem o voce?”. E „cum sună brandul nostru și cine îl rulează la 21:30?”. La prima întrebare răspunzi tu. La a doua, boții.
Notă: cifrele despre Gemini 3.8 TTS (2.000+ voci, 100+ limbi, 30 de secunde, SynthID, scorurile 71,4 și 60,8) provin din anunțul oficial Google. Prețurile Gemini (0,50 $ + 9 $ / 6 $, dublare de la 1 ianuarie 2027) și restricțiile geografice pentru replicare provin din byteiota, care citează pagina de prețuri Gemini API; pagina oficială nu a putut fi accesată direct în această rulare, de reverificat înainte de publicare. Procentele Qwen (70%, 85%, 95%) provin din The Decoder și tbreak; prețul de 1,5 / 12 yuani provine din OrcaRouter, care citează documentația Alibaba Cloud. Alte surse listează prețuri diferite pentru modelul Realtime, așa că am evitat cifrele în dolari pentru Qwen.
Surse:
- Gemini 3.8 Flash TTS and Gemini 3.8 Flash-Lite TTS (Google, 23.09.2026)
- Gemini 3.8 TTS: Clone Any Voice in 30 Seconds, Live Now (byteiota, 23.09.2026)
- Alibaba launches Qwen Audio 3.1 with five new models and slashes AI audio prices by up to 95 percent (The Decoder, 23.09.2026)
- Qwen Audio 3.1 prices cut by up to 95% (tbreak, 23.09.2026)
- Qwen-Audio-3.1-TTS vs Qwen-Audio-3.0-TTS: What Changed (OrcaRouter, 23.09.2026)




















