Google 今日正式发布两款全新的文本转语音（TTS）模型——Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS，旨在将语音生成从静态预设升级为动态创意工作室。此举意在帮助创作者、开发者及企业构建更具表现力的音频体验，并优化 Gemini Notebook 和 Google Vids 等产品的用户体验。
双模型定位：创意深度与规模效率并重
此次发布的两款核心模型各有侧重：
- Gemini 3.8 Flash TTS：专为深度创意指导和角色设计打造。支持通过自然语言提示从零创建声音，适用于游戏、有声书、播客及互动媒体。用户可对表演提示、节奏、方言转换及背景回应进行精细控制。
- Gemini 3.8 Flash-Lite TTS：面向大规模、高成本效益场景优化。适用于批量配音、音频内容创作及语音代理，提供对语调、节奏和情感细微差别的高效控制。
这两款模型进一步丰富了 Gemini Audio 家族，与此前发布的 3.5 Live Translate、3.5 Transcribe、3.8 Live 等系列模型形成互补。
从声音设计到逐行表演控制
Gemini 3.8 Flash TTS 提供了完整的“声乐工作室”功能，支持将30个原始声音扩展为无限声音库：
- 生成式声音设计：通过自然语言提示自定义角色、口音及声音特征，覆盖100多种语言和方言。
- 庞大声音库：提供2,000多个生产就绪声音，涵盖墨西哥西班牙语、魁北克法语等广泛语言变体。
- 声音复制与安全：仅需30秒音频样本即可重建声音档案。系统内置同意验证、SynthID 水印和 C2PA 凭证，确保声音所有者权利得到保护。
- 声音混音（即将推出）：支持微调音色、音调、语速和口音，并通过提示词调整特定特征。
在表演控制方面，两款模型均支持逐行指导。用户可编写舞台指示或通过自然脚本引导演绎，实现从冷静客服到低声耳语等多种情绪。模型能在长达数小时的音频中保持高质量语音和角色一致性，最小化说话人漂移。此外，支持原生双角色场景编排，可无缝指导多轮对话，并允许插入非语言线索（如笑声、叹息）以增强真实感。
性能表现与全球多语言支持
在 Hume AI 的 Voice Design Benchmark 中，Gemini 3.8 Flash TTS 以71.4分位居整体第一，口音建模得分60.8分同样领先。在整体质量指数（Overall Quality Index）中，Flash 和 Flash-Lite 分别占据第一和第二位，较 Gemini 3.1 Flash TTS 在长篇幅内容和双角色控制上有显著改进。
Voice Arena 的盲测显示，这两款模型在日语、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等关键语言中均获人类偏好前列评价，支持构建高质量的全球多语言语音体验。
安全机制与部署渠道
Google 在声音创建中建立了严格的安全保障。声音复制功能强制要求提供声音所有者的口头同意录音，并通过匹配验证确保授权。所有由 Gemini Audio 生成的音频均嵌入 SynthID 不可见水印，以便检测 AI 生成内容，防止 misinformation。
即日起，开发者可通过 Google AI Studio 体验新功能，利用类似工作区的界面提示声音身份、复制声音或编辑双角色剧本。通过 Gemini API，Agora、LiveKit、Vercel 等平台可轻松部署高性能语音界面。Google 正与 Figma、HeyGen、Linguana 等公司合作，加速模型集成。
可用性现状：
- Gemini 3.8 Flash TTS：开发者可通过 Gemini API 和 Google AI Studio 使用；企业用户即将通过 Gemini Enterprise API 接入；普通用户可在 Gemini Notebook 中使用。
- Gemini 3.8 Flash-Lite TTS：开发者可通过 Gemini API 和 Google AI Studio 使用；企业用户即将通过 Gemini Enterprise API 接入；普通用户可在 Google Vids 中使用。