语音模型

新版本的语言支持数量提升至90种，官方称日语、巴西葡萄牙语、普通话以及粤语的合成质量提升最为显著。

该模型支持90种语言，并允许用户通过标签对语音表达进行更精细的控制，例如指定耳语、笑声或兴奋的语气。

没有任何系统得分超过60分，Daytona以58.88分位居第一，领先ElevenLabs搭配GPT 5.4的57.11分、Grok的53.60分以及ElevenLabs搭配Haiku 4.5的51.06分。

两款新模型分别为 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS，定位各有不同。

五款全新的语音模型同时推出，形成了一套覆盖“理解-生成-交互-创作”的完整音频能力栈。

过去一年，语音大模型正从单项的语音识别和生成能力，逐渐走向实时交互、声音理解与内容创作的融合竞争。

0.05 美元/分钟、按秒计费——实时语音从产品能力变成可核算的基础设施成本。