Gemini 3.8 文本转语音上线
来自 Google DeepMind · 期号 2026-09-23
摘要
Google DeepMind 发布了两款新的文本转语音模型：Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS。 过去 TTS 只有静态预设，现在变成动态创作工作室。Flash 版本专为深度角色设计，支持用自然语言从零创建声音，并逐行控制语速、情感和对话节奏。Lite 版本优化了成本，适合大规模配音和实时语音 agent。 两个模型都支持从 30 秒样本复刻声音、双人场景台词编写、以及长达数小时的连续生成，同时用 SynthID 添加水印。 在 Hume AI 语音设计基准上，Flash TTS 综合得分 71.4 排名第一，口音建模得分 60.8 同样领先。盲测中，两款模型在日语、巴西葡语、越南语等六种语言上也位居前列。 即日起可在 Google AI Studio 和 Gemini API 中使用，此外还提供 2000+ 预制声音库。
深读
导读 Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Flash-Lite TTS，将语音生成从静态预设升级为可逐行导演的创作工作室。如果你需要为游戏、有声书、播客或实时语音 agent 定制角色声音，这套模型提供了精细的节奏、情感和方言控制，并在多语言盲测和业界基准上领先。读完可了解其核心能力、性能表现和使用门槛。 关键信息 - Gemini 3.8 Flash TTS 在 Hume AI 语音设计基准（Voice Design Benchmark）上综合得分 71.4，排名第一；口音建模子项得分 60.8，同样领先。 - 在 Hume AI Overall Quality Index 上，Flash TTS 和 Flash-Lite TTS 分别占据第一和第二位。 - 盲测（Voice Arena）中，两款模型在日语、巴西葡萄牙语、越南语、现代标准阿拉伯语、墨西哥西班牙语和印地语六种语言上位居前列。 - 模型支持 100 多种语言，提供 2000+ 预制声音，并可从 30 秒样本复制声音，配合 SynthID 水印、C2PA 凭证和语音所有者同意验证。 - 即日起在 Google AI Studio 和 Gemini API 可用；企业版即将通过 Gemini Enterprise 的 API 提供；消费者可从 Gemini Notebook（Flash）和 Google Vids（Flash-Lite）中使用。 - 语音复制功能在伊利诺伊州、德克萨斯州、EEA、英国、瑞士和印度暂不可用。 逐节讲解 模型定位与双子版 文章介绍了两款新模型。Gemini 3.8 Flash TTS 面向深度创意导演，例如为游戏角色、沉浸式有声书、播客和交互媒体创建全新声音，支持自然语言生成和逐行导演式控制（节奏、情绪、方言切换、回音等）。Gemini 3.8 Flash-Lite TTS 则针对高产量、低成本场景优化，适合大规模配音、音频内容创作和语音 agent，保留了细致的音调与节奏控制。两者属于 Gemini Audio 家族，继 3.5 Live Translate、3.5 Transcribe、3.8 Live 和 3.8 Live Extended Thinking 之后推出。 创作与定制声音 Flash TTS 提供“生成式声音设计”：用户用自然语言描述角色、口音和声音特征，即可从零创建声音，覆盖 100+ 语言和方言。文章演示了生成墨尔本高能量 DJ 声音、金属机器人声音和日语龙的声音的音频样例。此外还有 2000+ 预制声音库，包含墨西哥西班牙语、魁北克法语、苏格兰英语等区域变体。语音复制功能仅需 30 秒音频样本即可还原声音，并内置同意验证、SynthID 水印和 C2PA 凭证以保护声音版权。未来将推出“声音重混”…