當地時間2026年9月23日，Google正式宣布推出Gemini 3.8 Flash TTS與Gemini 3.8 Flash‑Lite TTS兩款全新文本轉語音（Text‑to‑Speech）模型。兩款模型被官方定位為Gemini家族迄今「最具表現力嘅音頻生成模型」，旨在將語音生成由傳統嘅靜態預設音色，轉為可深度自訂、細粒度控制嘅動態創意工作室，全方位滿足開發者同創作者喺個性化角色配音同大規模音頻生成上嘅需求。
模型定位與核心功能
Gemini 3.8 Flash TTS專為深度創意方向同角色設計打造。創作者可透過自然語言提示由零開始構建全新聲音，為遊戲角色、沉浸式有聲書、播客及互動媒體注入生命。模型支援逐行精細控制表演提示（acting cues）、節奏、方言切換以及回應性發聲（backchanneling），令語音生成更接近真人表演導演嘅工作流程。佢支援130種語言，並具備自動語言檢測能力。
Gemini 3.8 Flash‑Lite TTS就面向高輸出量、成本敏感嘅規模化場景。佢針對大規模配音、音頻內容創作以及富有表現力嘅語音智能體進行優化，提供對語氣、節奏與表達細微差別嘅精準控制。語言支援達到101種，同樣可調用超過2000種預置音色。
兩款模型均支援以自然語言描述創建角色聲音（例如「溫暖嘅紀錄片旁白」或「帶有特定地域口音嘅古怪奇幻角色」），並可微調音色、年齡感、音高與質感等特徵。Flash TTS亦支援基於約30秒音頻樣本嘅聲音複刻，但需提供語音所有者嘅口頭同意錄音，系統會先驗證樣本與參考講者匹配先再生成持久或無狀態嘅聲音配置。生成內容統一嵌入SynthID隱形水印，複刻聲音額外附帶C2PA內容憑證，以保障透明度同可追溯性。
呢啲模型係Gemini Audio家族嘅新成員，承接此前3.5 Live Translate、3.5 Transcribe、3.8 Live及3.8 Live Extended Thinking等能力，進一步補強語音生成環節。
性能與基準表現
Google公布嘅評測結果顯示，Gemini 3.8 Flash TTS喺Hume AI嘅Voice Design Benchmark中獲得綜合第一名（71.4分），並喺口音建模項目上同樣領先（60.8分）。喺Overall Quality Index上，Flash TTS與Flash‑Lite TTS分列第一、第二。人工盲測嘅Voice Arena評測中，兩款模型喺日語、巴西葡萄牙語、越南語、現代標準阿拉伯語、墨西哥西班牙語同印地語等關鍵全球語言中均位居前列。
相較於前代Gemini 3.1 Flash TTS預覽版，新模型喺長內容穩定性、雙講者劇本控制以及非語言發聲（例如笑聲、嘆息）方面均有顯著提升，同時保持較高可靠性。
價格與取得方式
兩款模型目前以促銷價格開放至2026年12月31日，2027年1月1日起適用標準定價。促銷期價格為：Flash TTS文本輸入0.50美元/百萬token、音頻輸出9.00美元/百萬token；Flash‑Lite TTS輸入同樣0.50美元、輸出6.00美元。批量與Flex模式半價，Priority模式約1.8倍。相比3.1 Flash TTS預覽版嘅1.00/20.00美元，新定價明顯更友好。
開發者可即日透過Gemini API與Google AI Studio使用；Flash TTS同步登陸Gemini Notebook，Flash‑Lite TTS進入Google Vids；企業級API將好快喺Gemini Enterprise開放。
可能影響
呢次發佈會顯著降低高質素個性化語音內容嘅創作門檻。遊戲、有聲書、播客與互動媒體開發者可更自由咁設計角色聲音同場景表演，而無需依賴有限預置庫或昂貴定制錄音。大規模配音與語音智能體場景則會受惠於Flash‑Lite嘅效率與成本優勢，有助推動多語言內容嘅規模化生產。
對企業嚟講，細粒度表演控制同可靠水印機制嘅結合，既提升創意自由度，又保留內容溯源能力，有利於合規使用生成音頻。對整個語音AI賽道，Google以基準領先嘅表現與開放嘅自然語言音色設計，進一步壓縮咗傳統TTS同競品嘅空間，可能加速行業向「可導演、可複刻、可規模化」嘅方向演進。
與此同時，促銷期後嘅價格調整、企業落地節奏以及實際生產環境中嘅延遲與穩定性，仍會決定佢嘅長期採用廣度。整體嚟講，Gemini 3.8 Flash TTS系列將文本轉語音由「朗讀工具」推向「創意表演工作室」，為開發者與創作者提供更強大且更靈活嘅語音生成基礎設施。
▶️ 鍾意呢篇內容？創作真係好辛苦！
歡迎關注我哋嘅 YouTube 頻道：
AI Rosetta
你嘅讚好、訂閱同分享，係對我哋最大嘅支持！🙏
更多AI新聞請訪問：https://www.airosetta.com