Gemini 3.8 文本转语音模型登场
内容提要
谷歌发布两款Gemini文本转语音模型：3.8 Flash TTS面向创意设计，支持自然语言创建角色声音、100多种语言、逐行表演控制、双人对话及长音频生成；3.8 Flash-Lite TTS面向高性价比大规模配音。两款模型均支持30秒样本声音复刻，并配有同意验证、SynthID水印等安全措施，已在AI Studio等平台推出。
延伸解读
两款模型定位差异：创意设计与规模效率
Gemini 3.8 Flash TTS 侧重深度创意控制与角色设计，适合游戏、有声书、播客等需要逐行表演指导的场景；而 Flash-Lite TTS 则面向高性价比的大规模配音和语音代理，强调批量处理与成本效率。两者均支持30秒声音复刻，但 Flash TTS 提供更丰富的语音库和生成式声音设计，Flash-Lite 则更注重规模化部署。
声音复刻与安全机制：同意验证与SynthID水印
两款模型均支持从30秒音频样本复刻声音，但谷歌加入了同意验证流程，要求用户提供声音所有者的口头同意录音，以确保授权。此外，所有生成的音频都嵌入SynthID不可感知水印，并附带C2PA凭证，便于检测AI生成内容，防止滥用。这些措施旨在保护声音 talent 并提升内容透明度。
性能表现：基准测试领先与多语言优势
根据 Hume AI 的 Voice Design Benchmark，Gemini 3.8 Flash TTS 以71.4分位列第一，并在口音建模上领先；两款模型在 Overall Quality Index 中分列第一和第二。在 Voice Arena 盲测中，它们在日语、巴西葡萄牙语、越南语等关键语言中排名靠前，支持超过100种语言，适合全球化多语言语音应用。
可用性与生态集成：开发者与企业接入途径
Gemini 3.8 Flash TTS 即日起在 Gemini API 和 Google AI Studio 向开发者开放，企业版即将通过 Gemini Enterprise API 提供，普通用户可在 Gemini Notebook 中使用；Flash-Lite TTS 则面向开发者开放，并集成到 Google Vids。此外，Agora、LiveKit 等平台以及 Figma、HeyGen 等合作伙伴已开始集成，便于快速构建语音交互体验。
Q&A
Gemini 3.8 Flash TTS 和 Flash-Lite TTS 有什么区别？
Gemini 3.8 Flash TTS 面向深度创意指导和角色设计，支持从零创建全新声音、逐行表演控制、双人对话和长音频生成；Gemini 3.8 Flash-Lite TTS 面向高性价比的大规模配音，优化了高容量配音、音频内容创作和表达性语音代理，并对语气、节奏和表达细节有精细控制。
Gemini 3.8 Flash TTS 如何创建自定义声音？
使用自然语言提示，自定义角色、口音和声音特征，支持超过100种语言和方言，可以从零创建定制声音，例如戏剧性的喷火龙或带有特定地区口音的叙述者。
Gemini 3.8 TTS 模型支持声音复刻吗？需要什么条件？
支持。只需30秒的音频样本即可复刻声音，但必须提供声音所有者的口头同意录音，并与参考说话人匹配，同时内置同意验证、SynthID水印和C2PA凭证等安全措施。
Gemini 3.8 TTS 在长音频生成方面表现如何？
能够保持高语音质量、自然节奏和角色音色，在数小时的连续音频中最小化说话人漂移，非常适合播客和有声书。
Gemini 3.8 TTS 模型在哪些评测中表现突出？
在 Hume AI 的 Voice Design Benchmark 上，Gemini 3.8 Flash TTS 获得总体第一（71.4分），并在口音建模上领先（60.8分）；在 Overall Quality Index 上，Flash TTS 和 Flash-Lite TTS 分别获得第一和第二名。在 Voice Arena 的盲测人类偏好评估中，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全球语言中均名列前茅。
如何开始使用 Gemini 3.8 Flash TTS 和 Flash-Lite TTS？
开发者可以通过 Gemini API 和 Google AI Studio 使用；企业版即将通过 Gemini Enterprise API 提供；普通用户可以在 Gemini Notebook 中使用 Flash TTS，在 Google Vids 中使用 Flash-Lite TTS。
