Gemini 3.8 文本转语音模型发布：可定制声音与逐行导演

这两款新模型到底是什么？

2026年9月23日，Google 在官方博客上发布了 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS。它们是 Google 开发的文本转语音模型，属于 Gemini 家族的新成员。简单说，就是你给它们一段文字，它们就能用非常自然、有感情的声音读出来。

这两款模型都是闭源服务，也就是说你只能通过 Google 提供的接口或产品来使用，不能把模型本身下载到自己的电脑上。它们能做什么呢？可以创建全新的声音、复制你指定的声音、还能像导演一样逐行控制每一句话的语气和节奏。打个比方，就像你有一个会变声的魔法话筒，你告诉它“我要一个喷火龙的声音，说话带点澳大利亚口音”，它就能变出来，还能指挥它每一句是开心还是生气。

为什么说它们是最有表现力的音频模型？

Google 在博客里说，这两款模型是“我们迄今为止最有表现力的音频生成模型”。表现力是什么意思呢？就是声音听起来不像是机器人念稿，而是像真人在说话，有高兴、难过、惊讶等各种情绪，还能加入笑声、叹气、喘气这些真实对话里才有的小声音。

比如你让它读一个悬疑故事，它可以在关键地方压低声音、放慢速度，制造紧张感。这种能力对于做有声书、播客或者游戏配音来说非常有用。以前你可能需要请很多配音演员，现在用文字描述就能生成想要的声音。

Flash TTS 和 Flash-Lite TTS 有什么不同？

这两款模型虽然都是文本转语音，但侧重点不一样。Gemini 3.8 Flash TTS 是为深度创意指导和角色设计打造的。你可以从零开始创建全新的声音，用自然语言提示来定制角色的口音、语气和性格特点，适合做游戏、沉浸式有声书、播客和互动媒体。

Gemini 3.8 Flash-Lite TTS 则是为大批量、低成本的任务优化的。它适合高容量的配音、音频内容创作和语音助手，能精细控制语气、节奏和表达细节，但可能不支持从零创建声音。你可以把 Flash TTS 想象成一位全能配音导演，而 Flash-Lite TTS 更像一位高效稳定的播音员。

怎么创建和定制自己的声音？

使用 Gemini 3.8 Flash TTS，你可以通过自然语言提示创建全新的声音。比如输入“一个充满活力的墨尔本 DJ 声音”或者“一个超级细、单调的机器人声音”，模型就能生成对应的声音。它支持超过 100 种语言和方言，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。

除了从零创建，你还可以访问一个包含 2000 多种现成声音的库。如果你有自己或你有权使用的声音样本，只需要 30 秒的音频，就能复制出一个一致的声音。这个过程有内置的同意验证、SynthID 水印和 C2PA 凭证来保护声音所有者。你还可以保存和管理自己设计的声音，确保在长期项目中保持一致。

逐行导演功能怎么用？

选定声音之后，两款模型都允许你精确控制每一句话的表达方式。你可以自己写舞台指示，也可以用自然语言提示让 Gemini 来引导表演。比如你可以指定“一个冷静的客服人员”或者“一个低声耳语的悬疑场景”。

它还支持长篇生成，能在数小时的连续音频中保持高质量、自然的节奏和角色音色，减少声音漂移。对于播客和有声书来说，这意味着你不需要频繁重新录制。另外，它原生支持双人场景，可以从一个脚本直接导演多轮对话，让两个声音清晰分离，有自然的轮流说话。你还可以加入脚本化的声音爆发和反馈，比如 、、 以及 |mhm|、|yeah| 这样的倾听回应，让对话更真实。

这些模型可以用在哪些地方？

根据官方博客，这些模型可以在 Google AI Studio、Gemini API、Gemini Enterprise、Gemini Notebook 和 Google Vids 中使用。它们适合做高质量有声书、播客、实时语音助手，以及游戏和互动媒体中的角色配音。

对于开发者来说，可以通过 API 把语音生成能力集成到自己的应用里。对于企业来说，可以创建一致的品牌声音。对于内容创作者来说，可以用它来制作更生动、更有表现力的音频内容。Google 还提到，这些模型是 Gemini Audio 家族的一部分，之前已经有 3.5 Live Translate、3.5 Transcribe、3.8 Live 和 3.8 Live Extended Thinking 等成员。

安全方面有哪些措施？

Google 在博客中强调，他们内置了安全工具来确保生成的音频安全。具体包括 SynthID 水印，这是一种看不见的数字水印，可以标记出音频是 AI 生成的；还有 C2PA 凭证，用来记录内容的来源和编辑历史。声音复制功能还带有同意验证，确保你只能复制你有权使用的声音。

不过，原文没有说明这些安全措施的具体技术细节，也没有说明如果滥用会有什么后果。对于普通用户来说，这些措施意味着你生成的音频会被标记，别人可以知道它是 AI 生成的。对于声音被复制的人来说，这些措施提供了一定的保护。

谁适合使用这些模型？

如果你是有声书制作者、播客主播、游戏开发者或者需要大量语音内容的创作者，Gemini 3.8 Flash TTS 和 Flash-Lite TTS 可能很适合你。Flash TTS 适合需要深度定制和创意控制的场景，Flash-Lite TTS 适合需要大批量、低成本生成语音的场景。

如果你只是偶尔需要把文字转成语音，可能不需要这么高级的模型。另外，由于是闭源服务，你需要通过 Google 的平台来使用，不能自己部署。原文没有说明具体的价格和免费额度，所以如果你关心成本，可能需要进一步查看 Google 的定价页面。