谷歌发布 Gemini 3.8 Flash 系列文本转语音模型，逐行台词精确可控

谷歌于 9 月 23 日正式宣布，Gemini 家族新增 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型。两款模型定位有所区分：Flash TTS 主打深度创意与角色设计，可在游戏、沉浸式有声读物、播客和互动媒体中赋予角色生命力，并支持对表演提示、节奏、方言转换等进行精细控制；Flash-Lite TTS 则面向大容量、高性价比的规模化场景，针对配音生产、音频内容创作和富有表现力的语音代理进行了专项优化。

在语音库建设方面，两款模型将可用语音从原有 30 种大幅扩展至 2000 余种现成语音，覆盖墨西哥西班牙语、魁北克法语、苏格兰英语等区域变体。用户还可通过自然语言提示，在 100 多种语言和方言中自定义角色、口音和语音特征，从头创建专属定制语音。此外，语音混音功能即将上线，届时用户可对音色、音高、节奏和口音进行进一步微调。

在表演控制层面，两款模型均支持逐行舞台指导，用户可自行编写指令或借助自然脚本提示让 Gemini 引导输出，无论是平静的客服语气还是低沉的悬疑氛围均可实现。长篇生成方面，模型可在数小时连续音频中保持高质量语音、自然节奏和角色音色，扬声器漂移极小，非常适合播客和有声读物制作。原生双声音场景编排功能则可从单一脚本中无缝调度多轮对话，同时保持两种声音清晰分离。

在性能表现上，Gemini 3.8 Flash TTS 在 Hume AI 语音设计基准测试中以 71.4 分位居总体第一，口音建模得分 60.8 分同样领先。两款模型在 Hume AI 整体质量指数中分别占据第一和第二位，与上一代 Gemini 3.1 Flash TTS 相比，在长格式内容和双扬声器剧本控制等场景中均有显著提升。在 Voice Arena 盲法人类偏好评估中，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主要语言市场均领先竞争对手。

在安全与合规机制方面，谷歌为语音复制功能内置了严格保护措施。用户必须提供来自语音所有者的口头同意记录，经与参考说话者匹配验证后方可创建复制语音。每段由 Gemini Audio 模型生成的音频均嵌入难以察觉的 SynthID 水印，并附带 C2PA 凭据，确保 AI 生成内容可被检测识别，有助于防范虚假信息传播。值得注意的是，语音复制功能目前在伊利诺伊州、德克萨斯州、欧洲经济区、英国、瑞士和印度暂不可用。

在产品落地方面，两款模型即日起已向开发者开放，可通过 Gemini API 和 Google AI Studio 使用；企业用户版本将很快通过 Gemini Enterprise API 推出。面向普通用户，Gemini 3.8 Flash TTS 将集成至 Gemini Notebook，Gemini 3.8 Flash-Lite TTS 则将在 Google Vids 中提供服务，进一步提升这两款谷歌旗下产品的音频体验。

要点

• Gemini 3.8 Flash TTS 和 Flash-Lite TTS 分别面向创意角色设计和大容量配音场景，支持逐行台词精确控制和原生双声音对话编排。
• 可用语音库从 30 种扩展至 2000 余种，并支持仅凭 30 秒样本完成语音复制，同时内置同意验证和 SynthID 水印保障合规安全。
• Gemini 3.8 Flash TTS 在 Hume AI 基准测试中综合得分第一，两款模型在 Voice Arena 多语言盲测中均领先主要竞争对手。
• 开发者现可通过 Google AI Studio 和 Gemini API 立即使用，普通用户将通过 Gemini Notebook 和 Google Vids 体验相关功能。