Google 推出了两款 Gemini 3.8 Flash TTS 语音模型，引入了专为直接表演脚本编写和大规模音频制作而设计的专用语音生成系统。此次双发布将语音合成任务拆分为创意指导与成本可控的基础设施两部分。
Gemini 3.8 Flash TTS 面向互动娱乐、游戏开发和长篇旁白，这些场景中工作室团队需要基于提示词的语音设计。Gemini 3.8 Flash-Lite TTS 则专注于自动化媒体配音、面向客户的对话式智能体以及高吞吐量的翻译流水线。
两套系统扩展了 Google 已有的音频产品阵容，此前已推出 3.5 Live Translate、3.5 Transcribe、3.8 Live 和 3.8 Live Extended Thinking。技术团队将这些新模型设计为取代由 30 种旧版语音组成的固定目录。
开发者现在可以访问一个包含 2,000 多个预置语音配置的目录，覆盖魁北克法语、苏格兰英语和墨西哥西班牙语等地区性语言变体，横跨 100 多种语言。即将推出的语音混音模块将允许音频工程师通过直接的文本命令调整音色、音高、语速和口音轮廓。
Hume AI 基准测试检验合成性能
独立评测将较大模型置于第三方音频排行榜首位。
在 Hume AI Voice Design Benchmark 上，Gemini 3.8 Flash TTS 取得 71.4 的总分，并在口音建模类别中以 60.8 的评分领先。
在 Hume AI Overall Quality Index 中，Gemini 3.8 Flash TTS 位居榜首，Gemini 3.8 Flash-Lite TTS 位列第二，表现优于 Gemini 3.1 Flash TTS 此前建立的基线。
通过 Voice Arena 进行的双盲人工试验证实，其在地区语言中具有偏好优势，包括日语、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。
多说话人编排与延长合成运行是一个关键重点。单个脚本即可指导双说话人对话，在长时间对话中保持自然的轮流发言和语音分离。
音频质量和角色音色在多小时的音频文件中保持稳定，减少了有声书录制和系列播客中的声音退化。
作者可以直接将非语言声学标记插入制作文本中，在台词中加入 <laughs>、<sigh> 或 <gasp> 等标签，以及 |mhm| 和 |yeah| 等反应性口头插入语，以平衡对话节奏。
Google 为 Gemini 3.8 Flash TTS 语音模型提供的安全控制
语音克隆流程依赖强制性的身份检查来应对冒充风险。重建声音档案需要一段 30 秒的参考录音，并附上一段由原始声音所有者说出的明确口头同意音轨。Google 在处理自定义声音档案之前会验证两条音轨之间的声学一致性。
生成的音频文件会将不可察觉的 SynthID 音频水印和加密的 C2PA 来源元数据直接嵌入导出的波形中，确保下游检测工具能够识别合成语音资产。
跨企业环境的部署已在多个软件生态系统中开始。软件开发者可以通过 Google AI Studio 和标准 Gemini API 访问 Flash TTS 和 Flash-Lite TTS，并连接到由 Agora、LiveKit、Pipecat 和 Vercel 运行的开发者框架。早期商业集成涵盖 Figma、HeyGen、Linguana、Wondercraft、99.co 和 Ollang，用于区域媒体翻译和客户服务自动化。
终端用户可直接在 Gemini Notebook 中使用 Flash TTS，而 Google Vids 则集成了 Flash-Lite TTS。Gemini Enterprise 客户将在即将到来的部署浪潮中获得管理 API 访问权限。
另见：U.S. TRANSCOM 部署随机化 AI 以保障军事物流安全
想从行业领袖那里了解更多关于 AI 和大数据的信息吗？欢迎参加在阿姆斯特丹、加利福尼亚和伦敦举行的 AI & Big Data Expo。这项综合性活动是 TechEx 的一部分，并与包括 IoT Tech Expo 和 Cyber Security & Cloud Expo 在内的其他领先技术活动在同一地点举办。点击此处了解更多信息。
AI News 由 TechForge Media 提供支持。在此探索其他即将举行的企业技术活动和网络研讨会。
文章 Google launches Gemini 3.8 Flash TTS voice models 首次出现在 AI News 上。