谷歌宣布推出两款全新文本转语音模型 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS，将语音生成能力从静态预设扩展为可动态定制的创作工具，面向创作者、开发者及企业用户。两款模型已在 Gemini API 和 Google AI Studio 中向开发者推送，企业用户后续可通过 Gemini Enterprise 中的 API 调用。
Gemini 3.8 Flash TTS 面向深度创意方向和角色设计，支持通过自然语言提示从头创建全新语音，并可对表演提示、节奏、方言转换等进行精细控制，适用于游戏、有声读物、播客和互动媒体场景。Gemini 3.8 Flash-Lite TTS 则针对大容量、高性价比的规模化场景优化，主要覆盖大容量配音、音频内容创作和语音代理等用途。
功能层面，两款模型支持生成式语音设计，可在 100 多种语言和方言中自定义角色、口音与语音特征；语音库从原有 30 种原始语音扩展至 2000 多种现成语音，覆盖墨西哥西班牙语、魁北克法语、苏格兰英语等区域变体。语音复制功能仅需 30 秒音频样本即可重现一致的声音特征，并内置同意验证、SynthID 水印和 C2PA 凭据。此外，模型支持自定义语音的保存与管理，以减少持续项目中的性能漂移。语音混音功能即将推出，用户可对音色、音高、节奏和口音进行微调。
在台词控制方面，两款模型允许用户编写舞台指导或通过脚本提示引导交付，实现逐行表演控制。模型支持数小时连续音频的长篇生成，保持语音质量、自然节奏和角色音色的一致性。原生双声音场景编排可从单个脚本中指导多轮对话，保持两种声音清晰分离。用户还可添加非语言提示（如 <laughs>、<sigh>、<gasp>）和主动倾听插入语，用于精确控制喜剧时机和反应节奏。
性能数据方面，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 整体质量指数中分列第一和第二。在 Voice Arena 的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中处于领先位置。
谷歌在语音创建和复制功能中内置了保护措施。语音复制要求用户提供来自语音所有者的口头同意记录，与参考说话者匹配后方可创建。所有生成的音频片段均带有难以察觉的 SynthID 水印，用于检测 AI 生成语音。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。面向所有用户，Gemini 3.8 Flash TTS 已在 Gemini Notebook 中上线，Gemini 3.8 Flash-Lite TTS 已在 Google Vids 中上线。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
