谷歌发布 Gemini 3.8 语音模型，音色可克隆、台词可逐行控制

谷歌 9 月 23 日在官方博客宣布，Gemini 家族新增两款文本转语音（TTS，把文字变成语音）模型：Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS。前者面向角色设计与深度创意，后者面向大体量、低成本的批量配音与语音代理。谷歌把这次更新描述为把语音生成「从静态预设变成动态创意工作室」。官方原文见 谷歌官方博客。

两款模型即日起通过 Gemini API 与 Google AI Studio 向开发者开放；面向普通用户，Flash TTS 进入 Gemini Notebook，Flash-Lite TTS 进入 Google Vids。企业版 Gemini Enterprise 的 API 支持仍标注为「即将推出」。

Flash TTS 的定位是「从零造声音」：用自然语言提示就能设计全新音色，指定角色、口音与声音特征，覆盖 100 多种语言和方言。官方给出的例子包括墨尔本口音的高能量 DJ 音、极细的单调机器人音，以及日语龙角色。

Flash-Lite TTS 的定位相反，强调批量与成本：面向大容量配音、音频内容生产和需要表现力的语音代理，提供音调、节奏和细节的控制。简单说，一个用来做「独一无二的角色声」，一个用来做「又快又便宜的流水线声」。

两者共用一套语音库，把原先 30 种原始语音扩展到 2000 种以上，包含墨西哥西班牙语、魁北克法语、苏格兰英语等区域变体。

把产品拆成「Flash + Flash-Lite」两档，本身也说明谷歌对语音需求的判断：一头是愿意为独特音色付费的创意与品牌场景，另一头是对价格和吞吐量极度敏感的批量场景。对采购方来说，这意味着可以按项目分别选型，而不是用同一个模型硬扛所有需求。

最受关注的是语音复制能力：只需 30 秒音频样本，就能重建一个稳定、可复用的声音档案。谷歌为此加了同意验证——必须提供声音本人的口头同意录音并与参考说话者匹配，才能创建该声音。

上手路径比较直接：开发者可进 Google AI Studio 的语音生成页面，先用提示词生成或克隆声音，再进入双人剧本编辑器逐行导演，也可直接通过 Gemini API 调用。需要注意的是，通过 AI Studio 进行的语音复制在伊利诺伊州、德克萨斯州、欧洲经济区、英国、瑞士和印度不可用，这些地区的团队若要走企业或 API 路径，需要先确认合规条件。

两款模型都把「每一句台词」当作控制单元。用户可以写自己的舞台指示，或让模型根据自然语言脚本提示来演绎，从平静的客服到低声的悬疑场景都能指定。

官方列出的能力包括：在数小时连续音频中保持音质、节奏与角色音色，减少说话人漂移；用单个脚本完成双人对话编排，并保持两条声线清晰分离、自然轮换；加入非语言的声音爆发与「mhm」这类主动倾听插入语，做出喜剧节奏和反应点。

这些能力对应的落地场景很明确：播客与有声书、游戏与互动媒体配音、多语言出海内容的本地化配音，以及需要长时间稳定人声的语音 Agent。

「长时间不漂移」看起来像参数细节，实际决定了生产流程能否省掉人工返工：有声书和播客往往一次要合成几小时音频，过去音色漂移和断句不自然是最常见的人工修正点。若谷歌的说法在实测中成立，制作方可以把更多时间放在内容本身，而不是逐段重录。

谷歌把 3.8 与上一代 Gemini 3.1 Flash TTS 对比，称在长内容生成和双人剧本控制等用例上有明显改进。官方引用的第三方数据来自 Hume AI 评测：Gemini 3.8 Flash TTS 在语音设计基准上以 71.4 分居首，口音建模以 60.8 分领先；Flash TTS 与 Flash-Lite TTS 在整体质量指数上分列第一、第二。

在 Voice Arena 的盲测人类偏好评估中，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等语言上进入前列。需要提醒的是，这些都是谷歌自行引用的基准结果，最终仍应以自己业务语料的实测为准。

如果你在做多语言配音、播客或语音 Agent，这次更新值得放进本周的试用清单。验证建议分三步：一是用自家最难的语料（长文、方言、专有名词、双人对话）各跑一段，听有没有漏读、串音和音色漂移；二是拿现有供应商做同脚本 A/B，重点比对自然度与断句；三是算清单位成本与并发配额，再决定是否迁移。

对只想给单条短视频配音的个人用户，Flash-Lite TTS 已经能在 Google Vids 里直接用到；对需要统一品牌声音的企业，Flash TTS 的「保存并复用自定义音色」更关键。合规团队要额外确认：声音克隆的同意链条、SynthID 水印与 C2PA 凭据能否满足当地法规要求。

一个务实的判断标准是：如果你的语音用量小、对音色独特性要求不高，暂时没必要迁移；只有当「声音」本身是产品体验的一部分，或者多语言配音量已经大到成本敏感时，这次更新才真正有吸引力。

谷歌本次没有公布两款 TTS 的具体价格，只说明 Flash-Lite 面向高性价比规模场景。定价与配额会直接影响迁移决策，建议等官方价目表或先用 API 计费页实测再定。

风险主要有三块：语音克隆被滥用的合规风险（谷歌用水印与同意验证来约束，但不等于零风险）；多语言质量在长尾语言上的稳定性仍需自测；以及企业版仍处于「即将推出」，现在接入要接受功能不完整。

下一步可以关注三件事：Gemini Enterprise 的 API 何时正式开放、语音混音（对音色做音高、节奏与口音微调）何时上线，以及这批模型会不会进入更多谷歌自有产品。编辑判断是：语音生成正从「选预设」变成「做设计」，有配音与语音 Agent 需求的团队，值得现在就用真实脚本做一次小规模验证。

本文由 AI 潮汐编辑部基于官方公告与公开资料整理，补充了行业影响、适用场景和行动建议，帮助你在阅读原文前先理解这条信息为什么重要。

原始来源：https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-text-to-speech/

如发现事实、价格或链接有误，可通过 联系我们 提交更正。