OpenAI 让你联系销售才能定制语音，谷歌刚刚让它自助完成。
内容提要
谷歌发布 Gemini 3.8 Flash TTS 和 Flash-Lite TTS，支持通过描述或录音创建自定义语音。复刻语音需同一说话人两段 10 至 30 秒录音及同意声明，经 Voices 端点完成，项目最多可存 200 个语音一年。文本视为逐字稿，情感指令放入 speech_metadata。支持双人对话和多语言，Flash-Lite 更快更便宜。
延伸解读
语音复刻的合规要求
谷歌的语音复刻功能要求同一说话人提供两段10至30秒的干净录音，并单独录制同意声明，确认声音归属和合成授权。谷歌会验证同意者与参考录音为同一人。这体现了对声音生物特征使用的严格合规，开发者需确保流程符合要求，避免法律风险。
存储策略与短期使用
复刻的语音默认存储在项目中一年，每个项目最多200个。若不想存储，可设置store=False，返回加密的voicekey_…，但密钥7天后过期，适合短期任务。开发者应根据使用时长和复用需求选择存储方式，长期项目建议存储，临时任务可用密钥。
与OpenAI的定制语音对比
OpenAI也提供定制语音，但需联系销售，每组织限20个，且需提供同意录音和最长30秒的样本。谷歌则允许自助通过描述或录音创建，支持提示词设计声音，且项目可存200个语音。谷歌在易用性和灵活性上更胜一筹，但OpenAI的语音ID可在多个端点通用。
开发集成注意事项
使用复刻语音时，需确认所选框架（如Agora、LiveKit等）支持传递自定义voice_… ID。双人对话中，预置语音可单次请求生成，但设计或复刻的语音需逐轮生成并拼接。此外，输入文本被视为逐字稿，情感指令需放入speech_metadata，这是从3.1预览版升级的破坏性变更。
Q&A
谷歌新发布的 Gemini 3.8 Flash TTS 和 Flash-Lite TTS 有什么主要区别？
Flash TTS 定位为处理高要求的表演任务，如复杂对话、大量语音标签、困难发音、地区方言和长叙述，并能在数小时连续音频中保持音质和音色，适合有声书和播客制作。Flash-Lite TTS 则更快、更便宜，是 gemini-3.1-flash-tts-preview 的直接替代品，针对批量生产、朗读功能和级联语音代理进行了优化。两者共享 API 架构，切换只需更改一个参数，且都支持语音设计和复刻。
如何使用 Gemini 3.8 复刻一个自定义语音？需要提供哪些材料？
复刻语音需通过新的 Voices 端点（POST /v1beta/voices）进行，要求同一说话人的两段干净录音，每段时长 10 到 30 秒，其中一段是单独的同意声明录音，说话人需在录音中确认声音属于自己并同意谷歌创建合成版本。谷歌会确认同意者和参考片段是同一人。批准后返回 voice_… ID，保存在开发者项目中一年。项目最多可存 200 个语音，可通过 API 检索、列出或删除。
Gemini 3.8 的语音设计功能支持多少种语言？预置语音库有多少？
语音设计功能可根据角色、口音和性格的自然语言描述生成语音人格，支持超过 100 种语言和方言。文档列出 Flash TTS 支持 130 种语言，Flash-Lite 支持 101 种。谷歌声称拥有超过 2000 个生产就绪的语音库，开发者文档描述有 30 个预置工作室语音，扩展库中还有数百个，可通过 GET /v1beta/voices 按语言、口音、音高和用例筛选。
Gemini 3.8 在语音生成时如何处理情感指令和瞬时声音？
Gemini 3.8 将输入文本严格视为逐字稿，这是一个重大变化。持续性的指令（如耳语、讽刺或快速说话）需放在 speech_metadata 注释中，而瞬时声音如 <sigh>、<cough> 和 <short pause> 则以内联尖括号形式出现。在双人脚本中，听众反应用竖线包裹，如 |mhm|，可产生附和和重叠语音，而无需将脚本拆分成额外回合。
Gemini 3.8 的语音复刻功能有哪些地区限制？
谷歌不通过 AI Studio 在伊利诺伊州、德克萨斯州、欧洲经济区、英国、瑞士或印度提供语音复刻功能。
与 OpenAI 的自定义语音相比，谷歌 Gemini 3.8 在语音创建方面有什么优势？
OpenAI 也提供自定义语音，但访问更严格：客户需通过销售，每个组织限 20 个语音，且必须提供同意录音和最长 30 秒的语音样本。其语音 ID 可在语音端点、Realtime API 和 Chat Completions 中使用。OpenAI 缺少谷歌基于提示的语音设计功能，即从文字描述创建语音。谷歌的优势在于在文本到达之前，为开发者提供了更多创建所需语音的方式。
