Google 发布 Gemini 3.8 Flash TTS 语音模型

今天，我们为 Gemini 家族引入两款新的文本转语音模型，将语音生成从静态预设转变为动态创意工作室。这些模型使创作者、开发者和企业能够创建更丰富、更具表现力的音频体验，同时改善诸如Gemini Notebook和Google Vids等产品中的用户体验。

• Gemini 3.8 Flash TTS：专为深度创意指导和角色设计而打造。使用自然语言提示从零开始创建全新的语音，让角色在游戏、沉浸式有声书、播客和互动媒体中栩栩如生。通过对话术提示、节奏、方言转换和附和语的精细控制，逐行指导每一句表演。
• Gemini 3.8 Flash-Lite TTS：专为高吞吐量、高成本效益的规模化而打造。针对大批量配音、音频内容创作和富有表现力的语音智能体进行了优化，可对语调、节奏和表现力细微差别进行细粒度控制。

这些模型补充了我们快速增长的 Gemini Audio 家族，紧随3.5 Live Translate、3.5 Transcribe、3.8 Live 和 3.8 Live Extended Thinking之后。

创建并自定义你自己的语音

从 30 种原创语音扩展到无限语音库。无论你需要完全原创的角色语音还是一致的品牌代言人，我们的 3.8 Flash TTS 模型都能驱动一个完整的语音工作室。这使你能够为每个时刻创建并使用富有表现力、听起来自然的语音，同时赋能开发者和企业轻松构建自定义音频体验。

• 生成式语音设计：借助 Gemini 3.8 Flash TTS，你可以通过自然语言提示，在 100 多种语言和方言中自定义角色、口音和声音特征，从零开始打造专属声音——无论你是想让一只戏剧性的喷火巨龙活灵活现，还是塑造一位带有鲜明地域韵律的魅力旁白。

• 丰富的声音库：访问 2,000 多种可直接用于生产的声音，覆盖广泛的语言——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。
• 声音复刻：仅需一段 30 秒的音频样本，即可复刻出稳定一致的声音特征，样本可以是你自己的声音，也可以是你拥有使用权的他人声音；该功能内置同意验证、SynthID 水印和 C2PA 凭证，以同时保护开发者和他们的配音人才。
• 保存与扩展：保存并管理你设计的自定义声音，确保在持续进行的项目中保持一致的性能表现并将漂移降到最低。
• 声音混音：即将推出：从我们的声音库中挑选一个声音，微调音色、音高、语速和口音。使用提示来调整特征（例如“加入微妙的美国南方口音”或“让表达更柔和”）。

逐行指导表演

选定声音后，两个 TTS 模型都能让你精确控制每一行的表达方式。

• 逐行指导表演：你可以自己编写舞台指示，也可以让 Gemini 通过自然的脚本提示来引导表达——从冷静的客服智能体到低语的悬疑场景。

• 长音频生成：在长达数小时的连续音频中保持高音质、自然的节奏和角色音色，并将说话人漂移降到最低——非常适合播客和有声书。
• 原生双人场景编排：从单一脚本无缝指导多轮对话——无论是播客还是戏剧化叙事——同时让两个声音保持清晰区分，并实现自然的对话轮替。
• 脚本化的人声爆发与附和：使用非语言提示（如 <laughs>、<sigh>、<gasp>）和积极倾听的插话（如 |mhm| 或 |yeah|）添加逼真的对话质感，以实现精准的喜剧节奏和反应节拍。

获取为全球规模打造的表现力强、高质量语音生成能力

Gemini 3.8 Flash TTS 提供领先的语音定制能力，在以下方面夺得综合第一Hume AI 的Voice Design Benchmark（71.4），并在口音建模方面同样领先（60.8）。

Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 在不牺牲可靠性的前提下实现真正富有表现力的表演，并分别在 Hume AI 的 Overall Quality Index 上夺得第一和第二名。与 Gemini 3.1 Flash TTS 相比，该模型在长篇内容和双人剧本控制等广泛用例上展现出重大改进。

在盲测人类偏好评估中，Voice Arena上，Gemini 3.8 Flash 和 Flash-Lite TTS 在日语、巴西葡萄牙语、越南语、现代标准阿拉伯语（MSA）、墨西哥西班牙语和印地语等关键全球语言中，于竞争对手之间占据领先位置。这些模型支持超过 100 种语言，赋能创作者、开发者和企业在全球范围内构建高质量的多语言语音体验。

以信任、同意和透明为基础构建

我们在构建语音创建和复刻能力时采用了严格的保障措施，以帮助保护配音人才、尊重身份并确保内容透明。对于语音复刻，我们的系统利用同意验证：用户必须提供来自声音所有者的口头同意录音，且该录音需与参考说话人匹配，之后才能创建语音。

更广泛地说，我们的 Gemini Audio 模型生成的每一段音频片段都带有SynthID水印。这种不可感知的水印直接编织进音频输出中，确保 AI 生成的语音保持可检测，以帮助防止错误信息。有关我们安全与责任方法的更多细节，请查看模型卡。

试用我们全新的 Google AI Studio 音频游乐场

从今天起，开发者可以在语音生成中体验这些全新的Google AI Studio能力。它就像一个语音设计工作区，你可以从零开始提示全新的声音身份，或复刻你自己的声音¹，然后直接将它们带入双人剧本编辑器，逐行指导演绎。

在 Google AI Studio 中试用语音复刻。

轻松部署高性能语音界面

通过使用 Gemini API，开发者平台如Agora、LiveKit、Pipecat、Vercel使开发者能够轻松构建和部署高性能的语音生成体验。

我们正在与 Figma、HeyGen、Linguana、Wondercraft、99.co 和 Ollang 等公司合作，他们正在集成我们最新的 TTS 模型，以帮助加速全球配音、以细腻的区域口音本地化媒体，并大规模驱动对话式语音智能体。

开始使用我们最新的 Gemini Audio 模型：

Gemini 3.8 Flash TTS 从今天开始逐步推出：

• 面向开发者：在Gemini API和Google AI Studio
• 面向企业：即将通过 API 在Gemini Enterprise
• 面向所有人：在Gemini Notebook。

Gemini 3.8 Flash-Lite TTS 从今天开始逐步推出：

• 面向开发者：在Gemini API和Google AI Studio
• 面向企业：即将通过 API 在Gemini Enterprise
• 面向所有人：在Google Vids