谷歌官宣Gemini 3.8 Flash TTS，把文本生成语音做成可从零设计角色声线的创作工作室

谷歌发布Gemini 3.8 Flash TTS

谷歌官宣Gemini 3.8 Flash TTS，把文本生成语音做成可从零设计角色声线的创作工作室：覆盖100种以上语言与方言，支持双说话人同场对白，并能按行控制笑声、叹息、气音等表演细节。

该模型标识为gemini-3.8-flash-tts，定位旗舰创意档，强调录音室级保真、表演分寸、区域口音和长篇多轮不跑音。同系列还有高吞吐低成本的Gemini 3.8 Flash-Lite TTS，面向配音批量、朗读和实时语音智能体。两者共用同一套API图式，切换只需改模型名。官方文档写明Flash档支持逾130种语言，Lite档逾100种。

声线体系从过去约30个预置音色扩到2000个以上可直接投产的声音库，并包含墨西哥西班牙语、魁北克法语、苏格兰英语等区域变体。创作者可用自然语言描述角色、口音与声线特征从零生成新声音；也可用约30秒授权样本做声音复制，默认落成项目内持久声线，另提供无状态密钥。复制流程带同意核验，输出加SynthID水印和C2PA凭证。

双人对话可在一次请求里排演：为两个说话人分别绑定预置声线，每句标注说话人和风格，模型按轮次生成自然接话。行级指令可写cheerful、方言切换、停顿；内嵌标签覆盖laugh、sigh、gasp以及mhm、yeah一类附和。单次多说话人合成目前上限两名，且自定义或复制声线若要同场，需按轮单独合成再拼接。音频默认24千赫兹单声道：完整请求回WAV，流式请求回无头PCM。

评测口径上，Flash TTS在Hume AI语音设计基准总分71.4、口音建模60.8，位列第一；Flash与Lite在总体质量指数分列第一、第二。Voice Arena盲测中，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语种进入前列。产品9月23日起在Gemini API与Google AI Studio上线，Notebook同步可用，企业接口稍后接入Gemini Enterprise。

市场机制上，这是把有声内容生产从棚内配音和剪辑流水线，改写成按次调用的生成接口。买方是有声书、播客、游戏对白、本地化配音和语音智能体团队，买的是可指令化的表演控制而不是又一个朗读腔。卖方谷歌用Flash收高保真创作溢价，用Lite收批量时长。资金从录音棚工时和音色授权，流向API推理与可存储声线资产。受益方是已在Gemini生态里做内容工具的开发者；承压方是按条出售预置音色的传统TTS厂商，以及仍靠多轨拼接做双人播客的中间层工作室。

补充数据：长篇稳定性被写成可跨数分钟旁白保持音色、音量和房间感不漂移，部分材料称节奏与音色可撑到数小时连续音频。预置工作室声线仍保留约30个精品名，如Kore、Puck，扩展库通过voices接口按语言、性别、音高和场景检索。自定义与复制声线在项目中默认可存约一年。

来源：公开信息