返回文章 apply CMS 文章

Gemini 3.8 Flash TTS 与 Flash-Lite TTS 发布：从预设语音到动态语音工作室

Gemini 3.8 系列新增两款 TTS 模型，把语音生成从静态预设变成可提示、可复刻、可逐行导演的创作工作台。

Hacker News

Gemini文本转语音TTS语音复刻

成长分 / 100 74 综合收获、行动、留存与影响

Gemini 3.8 Flash TTS 与 Flash-Lite TTS 发布：从预设语音到动态语音工作室

为什么值得读了解 Gemini Audio 家族最新成员的能力边界：生成式语音设计、语音复刻、长篇生成与双说话人编排。

掌握两款模型的定位差异：Flash TTS 面向深度创意指导与角色设计，Flash-Lite TTS 面向大批量、高成本效益的规模化应用。

关键洞察

Gemini 3.8 Flash TTS 支持通过自然语言提示在 100 多种语言和方言中从零创建定制语音，语音库从 30 种原创语音扩展到 2,000 多种可直接用于生产的语音。
语音复刻仅需一段 30 秒音频样本，并配有同意验证、SynthID 水印和 C2PA 凭证等保障措施。
两个模型均支持逐行指导表演、长篇生成、原生双说话人场景编排，以及 <laughs>、<sigh>、|mhm| 等脚本化人声爆发与附和。

转成行动

深入阅读

正文与原文对照

原文保真覆盖：全文原文字符：11343

2026年9月23日

Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 是我们迄今表现力最强的音频生成模型。你可以在 Google AI Studio、Gemini API、Gemini Enterprise、Gemini Notebook 和 Google Vids 中生成自定义角色语音，并指导场景对话。

Leland Rechis

产品组总监（Group Product Manager）

Alan Cowen

研究科学总监，代表 Gemini 音频团队

一张文字卡片，写着“Introducing Gemini 3.8 Flash TTS and 3.8 Flash-Lite TTS”

今天，我们为 Gemini 家族推出两款全新的文本转语音模型，让语音生成从静态的预设音色，变成一个动态的创意工作室。这些模型能帮助创作者、开发者和企业打造更丰富、更具表现力的音频体验，同时改善 Gemini Notebook 和 Google Vids 等产品的用户体验。

Gemini 3.8 Flash TTS：为深度创意指导和角色设计而生。只需用自然语言提示词，就能从零创建全新的声音，让游戏、沉浸式有声书、播客和互动媒体中的角色鲜活起来。你可以逐行指导每一段表演，对表演提示、节奏、方言切换和附和式反馈（backchanneling）进行精细控制。
Gemini 3.8 Flash-Lite TTS：为大规模、高性价比的使用场景而生。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做了优化，可对语气、节奏和表达的细微差别进行精细控制。

这两款模型进一步丰富了快速成长的 Gemini 音频家族，此前推出的还有 3.5 Live Translate、3.5 Transcribe、3.8 Live 和 3.8 Live Extended Thinking。

创建并定制你自己的声音

从 30 种原创声音扩展到无限的声音库。无论你需要一个完全原创的角色声音，还是一位始终如一的品牌代言人，我们的 3.8 Flash TTS 模型都能支撑起一间完整的声音工作室。你可以为每个时刻创建并使用富有表现力、听起来自然的声音，开发者和企业也能轻松构建定制化的音频体验。

生成式声音设计：借助 Gemini 3.8 Flash TTS，你可以用自然语言提示词，在 100 多种语言和方言中定制角色、口音和声音特征，从零创建专属声音——无论是让一条喷火巨龙充满戏剧张力地活起来，还是塑造一位带有鲜明地方腔调的迷人旁白。

听听 Gemini 3.8 Flash TTS 如何生成一个来自墨尔本、充满活力的 DJ 声音。

听听 Gemini 3.8 Flash TTS 如何生成一个尖细、单调的机器人声音。

听听 Gemini 3.8 Flash TTS 如何让一条日本龙活灵活现。

丰富的声音库：提供 2,000 多种可用于生产环境的声音，语言覆盖面广，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：只需 30 秒你本人或你有权使用的声音的音频样本，即可重现一致的声音特征，并内置同意验证、SynthID 水印和 C2PA 凭证，以保护开发者及其声音提供者。
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表现一致、漂移最小。
声音混音：即将推出。从声音库中挑选一个声音，微调音色、音高、语速和口音。你可以通过提示词来调节各项特征（例如“加入淡淡的美国南部口音”或“让语气更柔和”）。

逐行指导表演

选定声音之后，两款 TTS 模型都能让你精确控制每一行台词的演绎方式。

逐行指导表演：你可以自己撰写舞台指示，也可以让 Gemini 根据自然的剧本提示来把握演绎——从平静的客服人员，到低声细语的悬疑场景。

听听 Gemini 3.8 Flash TTS 如何为交互式语音智能体带来自然、极具表现力的对话。

看看并听听 Gemini 3.8 Flash TTS 如何通过精细的剧本控制，打造引人入胜的沉浸式音频体验。

长篇生成：在长达数小时的连续音频中保持高声音质量、自然的节奏和稳定的角色音色，说话人漂移极小——非常适合播客和有声书。
原生双人场景编排：只需一份剧本，就能流畅地指导多轮对话——无论是播客还是戏剧性叙事——同时让两个声音保持清晰区分，并实现自然的对话轮换。
剧本化的声音爆发 & 附和：使用非语言提示（如 <laughs>、<sigh>、<gasp>）和积极倾听式的插话（如 |mhm| 或 |yeah|），增添真实的对话质感，精准把握喜剧节奏和反应点。

看看 Gemini 3.8 Flash TTS 如何把自然语言提示词变成从零开始的定制声音人设。

看看 Gemini 3.8 Flash TTS 如何让创作者设计自定义场景，让动画对白活起来。

看看 Gemini 3.8 Flash TTS 如何把剧本变成完整演绎的对话场景，让创作者指导声音演绎和自然的轮换。

获得面向全球规模的高质量、富有表现力的语音生成

Gemini 3.8 Flash TTS 提供领先的声音定制能力，在 Hume AI 的声音设计基准测试（Voice Design Benchmark）中总分排名第一（71.4），在口音建模方面也居首位（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了真正富有表现力的演绎，在 Hume AI 的综合质量指数（Overall Quality Index）上分别位列第一和第二。与 Gemini 3.1 Flash TTS 相比，该模型在长篇内容和双人剧本控制等众多使用场景上都有显著提升。

在 Voice Arena 的盲测人类偏好评估中，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主要全球语言上，均位居竞品之首。凭借对 100 多种语言的支持，这些模型能帮助创作者、开发者和企业在全球范围内打造高质量的多语言语音体验。

一张展示 Hume AI 文本转语音质量基准测试的评估图