Gemini-3.8 文字转语音模型登场
原题:Gemini 3.8 text-to-speech says hello
内容导读
Google 推出 Gemini 3.8 Flash TTS 和 Flash-Lite TTS,可按提示词设计角色声音、逐句导演台词,并控制语气、节奏和对话细节;声音复制需通过本人同意验证,生成音频带有 SynthID 水印。

全文阅读
来源:Google即会翻译
Leland Rechis|产品群经理;Alan Cowen|研究科学总监,代表 Gemini 音频团队|2026 年 9 月 23 日
Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS 是 Google 迄今表现力最强的音频生成模型。用户可在 Google AI Studio、Gemini API、Gemini Enterprise、Gemini Notebook 和 Google Vids 中生成定制角色声音,并导演场景对白。
用户可以通过自然语言提示词从零创作或复制声音,逐句控制语速、情绪和逼真的对话声音,并使用模型制作高品质有声书、播客或大规模实时语音代理。Google 表示,这些工具内置水印等安全功能。
Google 推出两个 Gemini 文字转语音模型,将声音生成从固定预设转换为动态创作工作室。模型旨在帮助创作者、开发者和企业打造更丰富、更有表现力的音频体验,并改善 Gemini Notebook 和 Google Vids 等产品的体验。
Gemini 3.8 Flash TTS:面向深度创意导演和角色设计。用户可以通过自然语言提示从零创建声音,在游戏、沉浸式有声书、播客和互动媒体中塑造角色。逐句控制表演提示、节奏、方言切换和对话中的回应声。
Gemini 3.8 Flash-Lite TTS:面向高容量、低成本使用。针对大规模配音、音频内容创作和富有表现力的语音代理进行优化,并支持精细控制语气、节奏和表达细节。
这两款模型加入不断扩展的 Gemini Audio 系列,继 Gemini 3.5 Live Translate、3.5 Transcribe、3.8 Live 和 3.8 Live Extended Thinking 之后推出。
创建并定制自己的声音
Google 表示,用户可以从 30 种原创声音扩展到几乎无限的声音库。无论用户需要完全原创的角色声音,还是稳定一致的品牌代言人声音,3.8 Flash TTS 都能提供完整的声音工作室体验。它让用户在不同场景中创建和使用自然、富有表现力的声音,并帮助开发者和企业轻松打造定制音频体验。
生成式声音设计:用户可通过自然语言提示,在 100 多种语言和方言中定制角色、口音和声音特征,从头设计独特声音,例如塑造戏剧化的喷火龙,或创作带有鲜明地区语调的魅力旁白。
Google 展示了 Gemini 3.8 Flash TTS 生成墨尔本活力 DJ、尖细单调机器人和日语喷火龙声音的示例。
丰富声音库:可使用 2,000 多种适合制作的声音,覆盖多种语言,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。
声音复制:用户可以根据自己或有权使用的声音样本,使用仅 30 秒的录音重建一致声音档案。系统内置同意验证、SynthID 水印和 C2PA 凭证,以保护开发者和配音人才。
保存并扩展:保存和管理设计好的自定义声音,确保持续项目中的表现一致并尽量减少偏移。
声音混合:即将推出。用户可以从声音库中选择一种声音,微调音色、音高、速度和口音,也可以通过提示词调整特征,例如“加入轻微的美国南方口音”或“让语气更柔和”。
逐句导演表演方式
选择声音后,两款 TTS 模型都允许用户精细控制每句台词的表达方式。用户可以编写舞台指示,也可以让 Gemini 根据自然语言脚本提示生成表现,例如从冷静的客服人员到耳语般的悬疑场景。
Google 展示了模型如何为互动语音代理生成自然、有表现力的对话,如何通过细致的脚本控制营造沉浸式音频体验,以及如何从提示词创建角色声音并为动画对白设计场景。
长篇生成:长时间连续生成音频时,保持较高音质、自然节奏和角色音色,并尽量减少说话人声音偏移,适用于播客和有声书。
原生双人场景编排:用户可通过一份脚本直接导演多轮对话,例如播客或戏剧故事,同时保持两个声音清楚区分,并模拟自然的对话轮替。
脚本化语音短促声和对话回应:用户可加入 <laughs>、<sigh>、<gasp> 等非语言提示,以及 |mhm|、|yeah| 等积极倾听时的回应语,精确控制喜剧节奏和反应时机。
适合全球规模化使用的高品质语音生成
Google 表示,Gemini 3.8 Flash TTS 的声音定制能力在 Hume AI 的 Voice Design Benchmark 上以 71.4 分排名第一,在口音建模方面也以 60.8 分领先。
Gemini 3.8 Flash TTS 与 Flash-Lite TTS 在保证可靠性的同时提供富有表现力的语音,在 Hume AI Overall Quality Index 中分别排名第一和第二。相较 Gemini 3.1 Flash TTS,两款模型在长内容、双人剧本控制等用例上均有提升。
在 Voice Arena 的盲测人工偏好评估中,Gemini 3.8 Flash TTS 和 Flash-Lite TTS 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语言中名列前茅。模型支持 100 多种语言,目标是帮助创作者、开发者和企业打造高品质多语言语音体验。
以信任、同意和透明度为基础
Google 表示,声音创作与复制功能设置了严格防护措施,以保护配音人才、尊重身份并确保内容透明。声音复制需要验证同意:用户必须提供由声音所有者录制的口头同意,且录音需要与参考声音匹配,之后系统才会创建该声音。
此外,Gemini Audio 模型生成的每段音频都带有 SynthID 水印。这种不可见水印直接嵌入音频输出,使 AI 生成语音可被检测,帮助防范错误信息。有关安全和责任措施的详情可参阅模型说明卡。
体验新版 Google AI Studio 音频工作区
从今天起,开发者可以在 Google AI Studio 中体验新语音生成能力。该工作区类似声音设计环境,支持从零生成全新声音或复制自己的声音¹,再进入双人剧本编辑器逐句导演对白。Google AI Studio 也提供声音复制体验。
轻松部署高性能语音界面
开发者平台 Agora、LiveKit、Pipecat 和 Vercel 可使用 Gemini API,轻松构建和部署高性能语音生成体验。Google 还与 Figma、HeyGen、Linguana、Wondercraft、99.co 和 Ollang 等公司合作,接入最新 TTS 模型,以加速全球配音、使用细致的地区口音实现媒体本地化,并大规模支持对话式语音代理。
开始使用最新 Gemini 音频模型
Gemini 3.8 Flash TTS 从今天起逐步推出:开发者可在 Gemini API 和 Google AI Studio 使用;企业版 Gemini Enterprise API 即将支持;普通用户可在 Gemini Notebook 使用。
Gemini 3.8 Flash-Lite TTS 也从今天起逐步推出:开发者可在 Gemini API 和 Google AI Studio 使用;企业版 Gemini Enterprise API 即将支持;普通用户可在 Google Vids 使用。
原文及图片版权归原作者或相应权利人。文中观点是原作者的,与即会无关。