Google spustil hlas, který mluví 100 jazyky a napodobí vás z 30 sekund nahrávky. Pro firmy začíná nová éra ozvučení
Nová Gemini 3.8 Flash TTS umí vytvořit hlas z pouhého popisu, naklonovat ten váš z půlminutové nahrávky a mluvit více než 100 jazyky. Pro české firmy to znamená konec drahého dabingu, nadabovaných videí i robotických callcenter.
Ještě před rokem znamenalo namluvit firemní video, ozvučit e-learning nebo nasadit hlasového asistenta do zákaznické linky týdny práce, dabingové studio a rozpočet, který si menší firma dvakrát rozmyslela. Google tento týden ukázal, jak rychle se tahle rovnice mění. Nová generace jeho hlasových modelů dokáže vytvořit realistický lidský hlas z jedné věty popisu a napodobit konkrétního člověka z třicetivteřinové nahrávky.
V úterý 23. září 2026 Google vypustil dvojici modelů Gemini 3.8 Flash TTS a odlehčenou verzi Flash-Lite TTS. Na první pohled jde o technickou aktualizaci pro vývojáře. Ve skutečnosti jde o nástroj, který posouvá tvorbu mluveného slova z kategorie „drahá zakázka pro specialisty" do kategorie „něco, co si firma udělá sama za pár minut". A právě to je moment, kdy by měl zpozornět každý, kdo prodává, školí nebo komunikuje se zákazníky.
Co Google vlastně představil
Nové modely nabízejí přes 2 000 hotových hlasů a zvládají více než 100 jazyků a dialektů — čeština mezi nimi nechybí. To samo o sobě není revoluce, srovnatelnou nabídku dnes najdete u specializovaných firem. Zajímavější jsou tři schopnosti, které Google přidal navrch.
- Návrh hlasu z popisu: místo listování v knihovně hlasů stačí napsat větu typu „klidný, zralý ženský hlas s mírným optimismem" a model takový hlas vytvoří na míru.
- Klonování hlasu z 30 sekund: model dokáže zrekonstruovat konzistentní hlas z půlminutové ukázky — za předpokladu, že máte souhlas jeho majitele.
- Herecké řízení hlasu: modely umí sledovat pokyny řádek po řádku — kde zašeptat, kde se nadechnout, kde zpomalit, kde se zasmát nebo povzdechnout.
K tomu přidejte schopnost postavit z jednoho scénáře dialog dvou mluvčích a udržet konzistenci hlasu napříč hodinami zvuku. Modely jsou dostupné přes Gemini API, Google AI Studio a nástroj Gemini Notebook — tedy přesně tam, kde už mnoho firemních vývojářů pracuje.
Proč by to mělo zajímat českého podnikatele
Odlehčená varianta Flash-Lite je optimalizovaná na rychlost a nízkou latenci. To je klíčové slovo pro každého, kdo přemýšlí o hlasovém asistentovi v reálném čase — třeba na zákaznické lince. Rozdíl mezi robotickým hláškovým automatem a plynulým hlasem, který zní jako člověk, rozhoduje o tom, jestli volající zůstane, nebo zavěsí.
Podívejme se konkrétně, kde to firma využije už dnes. E-shopy a e-learning mohou automaticky ozvučovat popisy produktů nebo výukové kurzy — a to rovnou ve více jazykových mutacích ze stejného textu. Marketing a média dostávají nástroj na produkci podcastů, reklamních spotů a videí bez najímání dabéra pro každou verzi. Zákaznická podpora může nasadit hlas, který zní konzistentně a lidsky napříč všemi kanály.
Právě herecké řízení hlasu je přitom rys, který dělá největší rozdíl mezi hračkou a použitelným nástrojem. Dřívější syntetické hlasy uměly text pouze odříkat — plochým, jednotvárným tónem, který posluchače po pár větách unavil. Možnost říct modelu „tady zpomal, tady se nadechni, tuhle větu vyslov s nadšením" mění výsledek z automatu na něco, co skutečně drží pozornost. U reklamního spotu nebo audioknihy je to rozdíl mezi obsahem, který lidé doposlechnou, a tím, který vypnou.
Nejzajímavější je ale ekonomika. Namluvení hodiny profesionálního obsahu ve studiu stálo tisíce korun a dny čekání. Teď jde o operaci, kterou spustíte přes API během chvíle — a když potřebujete text opravit, nepředáváte zakázku znovu do studia, jen upravíte pár slov. Pro malé a střední firmy, které si dabing dřív nemohly dovolit, se otevírají dveře, které byly dosud pevně zavřené.
Zamyslete se nad tím z pohledu vlastního byznysu. Kolik obsahu dnes vzniká jen v textové podobě čistě proto, že ozvučení je drahé a pomalé? Newslettery, blogové články, produktové manuály, interní směrnice. Ve chvíli, kdy se z libovolného textu stane během vteřin poslouchatelný zvuk ve třech jazycích, mění se sama definice toho, co je „obsah". Zákazník, který nemá čas číst, si váš článek pustí cestou do práce. Zaměstnanec v terénu si poslechne novou směrnici místo toho, aby ji přeskočil. To není jen úspora — je to nový kanál, kterým se dostanete tam, kam vás text nikdy nepustil.
Vícejazyčnost tuhle výhodu ještě znásobuje. Česká firma, která doteď váhala s expanzí do Polska, Německa nebo dál na východ kvůli nákladům na lokalizaci mluveného obsahu, dostává nástroj, jak stejný materiál ozvučit v desítkách jazyků z jednoho zdroje. Kvalita hlasu přestává být bariérou vstupu na zahraniční trh. Zůstává jen otázka kvality překladu a strategie — a to jsou problémy, které se řešily i bez umělé inteligence.
Modely dokážou sledovat pokyny řádek po řádku pro tón, tempo, změny dialektu, šepot, smích, povzdechy a další konverzační signály.
Kde je háček: souhlas, regiony a odpovědnost
Klonování hlasu je zároveň nejcitlivější schopnost celé novinky. Google si dal záležet, aby ji obalil pravidly. Kromě třicetivteřinové ukázky vyžaduje i nahrávku slovního souhlasu od majitele hlasu, která musí odpovídat referenčnímu mluvčímu. Jinými slovy: nemůžete jen tak stáhnout hlas veřejně známé osoby z YouTube a nechat ho číst váš reklamní text.
Klonování navíc není dostupné v americkém Illinois a Texasu, v Evropském hospodářském prostoru, ve Velké Británii, Švýcarsku a Indii. Pro české firmy je to zásadní informace: protože Česko patří do EHP, funkci klonování hlasu zatím oficiálně nevyužijete. Zbývající schopnosti — návrh hlasu z popisu, tisíce hotových hlasů, vícejazyčnost a herecké řízení — ale k dispozici jsou. Právě ony tvoří jádro praktické hodnoty pro drtivou většinu firem, které nepotřebují napodobit konkrétní osobu, ale kvalitní a přirozený hlas.
Regionální omezení klonování je současně signálem, kam míří regulace. Napodobení lidského hlasu se stává právně citlivou oblastí a firmy, které s hlasovými technologiemi pracují, by měly už dnes počítat s tím, že souhlas a transparentnost nebudou volitelný doplněk, ale povinnost. Kdo si tenhle proces zavede dobrovolně teď, nebude ho později dohánět ve stresu.
Praktický takeaway
Pokud vaše firma produkuje jakýkoli mluvený obsah — videa, kurzy, podcasty, hlášky do aplikace nebo hlasovou podporu — vyplatí se udělat malý test ještě tento měsíc. Vezměte jeden reálný text, který dnes necháváte namluvit externě, a projeďte ho přes Gemini AI Studio. Porovnejte kvalitu, čas a náklady s vaším současným řešením. U mnoha běžných úloh — ozvučení produktu, jazykové mutace, interní školení — už dnes rozdíl v kvalitě laik neuslyší, zatímco rozdíl v ceně a rychlosti je propastný.
A druhý krok: zaveďte si interní pravidlo pro práci s hlasem. I když klonování v EHP zatím nevyužijete, technologie se pohybuje rychle a omezení se mohou uvolnit. Firma, která má jasno v tom, čí hlas a s jakým souhlasem používá, bude ve výhodě — komerční i právní. Hlas přestává být fixní vlastností jednoho člověka a stává se nástrojem, který lze navrhnout, škálovat a přizpůsobit. To je posun, který stojí za pozornost i za pár minut vašeho času na vyzkoušení.