Google 推出 Gemini 3.8 Flash TTS 和 Flash-Lite TTS，两款用于语音生成的新模型。Flash TTS 可以根据文本描述创建新语音，两款模型均支持 100 多种语言，并允许用户为单句对话添加舞台指示。
据 Google 介绍，Gemini 3.8 Flash TTS 面向游戏角色、有声书和播客等创意项目，而 Gemini 3.8 Flash-Lite TTS 则专注于面向配音、音频内容和语音智能体的低成本大规模语音生成。
Flash TTS 让用户可以根据文本描述创建语音
借助 Gemini 3.8 Flash TTS，用户可以从零开始设计语音。据 Google 介绍，一段文本提示可以定义语音的角色、口音和声音特征，并覆盖多种语言和方言。对于不想从零开始的用户，Google 提供了包含 2000 多种预设语音的库，其中包括墨西哥西班牙语、魁北克法语和苏格兰英语等地区变体。
语音克隆功能可以通过一段 30 秒的音频样本构建语音档案。使用该功能时，被克隆声音的人必须录制一段口头同意声明，且该录音中的声音必须与样本匹配。Gemini 音频模型生成的每一段音频都带有不可听的SynthID 水印以帮助检测 AI 生成的语音，据 Google 称。
Google 还宣布了“语音混音”（Voice Remixing）功能，该功能将允许用户调整语音库中语音的音色、音高、节奏和口音，但目前尚未上线。
脚本指示让用户可以控制对话和表达方式
两款模型都允许用户为每一句台词编写指示，或让模型自行解读脚本提示。Google 表示，这些模型可以生成数小时的音频，而“说话人漂移”极小，也就是说声音随时间几乎没有变化。
据该公司介绍，双语音模式可以从单一脚本生成对话，同时保持两个声音彼此区分。用户还可以在脚本中加入笑声、叹息以及“mhm”之类的声音，从而把反应和停顿精确放置在想要的位置。
在我自己的两次测试中，我使用了一个预设语音，并配上一段风格提示，要求它模仿一个恼火的柏林人，用浓重德国口音说英语。风格控制产生了令人信服的口音和语调，但两次测试在某些时段背景里都有高频啸叫。其中一次，语音在片段结尾还发生了变化。
风格提示：一个来自柏林的德国本地男性，把英语作为外语来说，带有浓重、 unmistakable 的德国口音。他显然不是英语母语者：他按德语方式发音英语单词，把德语的节奏和语调套用到英语句子上。“Th”变成“z”或“d”（“ze”、“sink”、“dat”），“w”变成“v”（“vat”、“vell”），词尾辅音变得更硬（“goot”，用“bat”代替“bad”）。“r”是喉音、沙哑的，绝不是英语的“r”。元音扁平而短促，缺少美式或英式英语中的柔和感。
声音带鼻音，略显紧绷，处于中音区，带有沙哑的颤抖和类似 Kermit 的晃动，但更粗粝，不那么像木偶。听起来像凌晨 2 点疲惫的柏林人。
表达方式：快速、短促、断续。他在寻找英语单词时会短暂犹豫，有时会平淡地插入德语词而不翻译。偶尔出现恼怒的上扬音调。干巴巴、讥讽、不为所动，并且有点恼火自己居然还得解释任何事情——更恼火的是还得用英语解释。
Google 开始推出这两款模型，企业 API 访问将随后跟进
Google 正在通过以下渠道推出这两款模型：Gemini API和Google AI Studio。Flash TTS 也可在Gemini Notebook中使用，而 Flash-Lite TTS 则可在 Google Vids 中使用。Google 表示，通过Gemini Enterprise API的访问将很快对这两款模型开放。
包括Agora、LiveKit、Pipecat和Vercel在内的开发者平台已支持通过 Gemini API 集成。Google 尚未列出新模型的区域端点，不过较早的 TTS 模型曾提供欧盟数据处理。
根据 Google 的说法，免费层级的数据会被用于改进其产品，而付费层级的数据则不会。付费定价以每百万 token 美元计价，文本 token 按输入计费，音频 token 按输出计费。
| 计费 | Flash TTS（截至 2026 年底） | Flash TTS（2027 年起） | Flash-Lite TTS（截至 2026 年底） | Flash-Lite TTS（2027 年起） |
|---|---|---|---|---|
| 文本输入 | $0.50 | $1.00 | $0.50 | $1.00 |
| 音频输出 | $9.00 | $18.00 | $6.00 | $12.00 |
Google 表示，1 秒生成的音频等于 25 个音频 token，因此 1 小时为 90,000 个 token。这意味着截至 2026 年底，使用 Flash TTS 时 1 小时音频输出费用为 $0.81，使用 Flash-Lite TTS 时为 $0.54。2027 年 1 月 1 日，这些费用将上涨至 $1.62 和 $1.08，文本输入单独计费。
没有炒作的 AI 新闻——由人类精选
订阅 THE DECODER，享受无广告阅读、每周 AI 新闻简报、我们每年六期的独家“AI Radar”前沿报告、完整档案访问权限，以及评论区访问权限。