当地时间2026年9月23日，谷歌正式宣布推出Gemini 3.8 Flash TTS与Gemini 3.8 Flash‑Lite TTS两款全新文本转语音（Text‑to‑Speech）模型。这两款模型被官方定位为Gemini家族迄今“最具表现力的音频生成模型”，旨在将语音生成从传统的静态预设音色，转变为可深度定制、细粒度控制的动态创意工作室，全面满足开发者和创作者在个性化角色配音以及大规模音频生成上的多元需求。
模型定位与核心功能
Gemini 3.8 Flash TTS专为深度创意方向与角色设计打造。创作者可通过自然语言提示从零构建全新声音，为游戏角色、沉浸式有声书、播客及互动媒体赋予生命。模型支持逐行精细控制表演线索（acting cues）、节奏、方言切换以及反馈性发声（backchanneling），使语音生成更接近真人表演导演的工作流程。它支持130种语言，并具备自动语言检测能力。
Gemini 3.8 Flash‑Lite TTS则面向高吞吐量、成本敏感的规模化场景。它针对大规模配音、音频内容创作以及富有表现力的语音智能体进行了优化，提供对语气、节奏与表达细微差别的精准控制。语言支持达到101种，同样可调用超过2000种预置音色。
两款模型均支持自然语言描述创建角色声音（如“温暖的纪录片旁白”或“带有特定地域口音的古怪奇幻角色”），并可微调音色、年龄感、音高与质感等特征。Flash TTS还支持基于约30秒音频样本的声音复刻，但需提供语音所有者的口头同意录音，系统会先验证样本与参考说话人匹配后再生成持久或无状态的声音配置。生成内容统一嵌入SynthID隐形水印，复刻声音额外携带C2PA内容凭证，以保障透明度与可追溯性。
这些模型是Gemini Audio家族的新成员，承接此前3.5 Live Translate、3.5 Transcribe、3.8 Live及3.8 Live Extended Thinking等能力，进一步补强语音生成环节。
性能与基准表现
谷歌公布的评测结果显示，Gemini 3.8 Flash TTS在Hume AI的Voice Design Benchmark中获得综合第一名（71.4分），并在口音建模项目上同样领先（60.8分）。在Overall Quality Index上，Flash TTS与Flash‑Lite TTS分列第一、第二。人工盲测的Voice Arena评测中，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关键全球语言中均位居前列。
相较于前代Gemini 3.1 Flash TTS预览版，新模型在长内容稳定性、双说话人剧本控制以及非语言发声（如笑声、叹息）方面均有显著提升，同时保持较高可靠性。
价格与获取方式
两款模型目前以促销价格开放至2026年12月31日，2027年1月1日起适用标准定价。促销期价格为：Flash TTS文本输入0.50美元/百万token、音频输出9.00美元/百万token；Flash‑Lite TTS输入同样0.50美元、输出6.00美元。批量与Flex模式半价，Priority模式约1.8倍。相比3.1 Flash TTS预览版的1.00/20.00美元，新定价明显更友好。
开发者可即日通过Gemini API与Google AI Studio使用；Flash TTS同步登陆Gemini Notebook，Flash‑Lite TTS进入Google Vids；企业级API将很快在Gemini Enterprise开放。
可能影响
这一发布将显著降低高质量个性化语音内容的创作门槛。游戏、有声书、播客与互动媒体开发者可更自由地设计角色声音与场景表演，而无需依赖有限预设库或昂贵定制录音。大规模配音与语音智能体场景则受益于Flash‑Lite的效率与成本优势，有助于推动多语言内容的规模化生产。
对企业而言，细粒度表演控制与可靠水印机制的结合，既提升了创意自由度，又保留了内容溯源能力，有利于合规使用生成音频。对整个语音AI赛道，谷歌以基准领先的表现与开放的自然语言音色设计，进一步压缩了传统TTS与竞品的空间，可能加速行业向“可导演、可复刻、可规模化”的方向演进。
与此同时，促销期后的价格调整、企业落地节奏以及实际生产环境中的延迟与稳定性，仍将决定其长期采用广度。总体来看，Gemini 3.8 Flash TTS系列把文本转语音从“朗读工具”推向了“创意表演工作室”，为开发者与创作者提供了更强大且更灵活的语音生成基础设施。
▶️ 喜欢这篇内容？创作真的很辛苦！
欢迎关注我们的 YouTube 频道：
AI Rosetta
你的点赞、订阅和分享，是对我们最大的支持！🙏
更多AI新闻请访问：
https://www.airosetta.com