谷歌把文生语音(TTS)从「选一个预置音色」改成了「进录音棚当导演」。Google 9 月 23 日发布 Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS,官方称这是「从静态预设到动态创意工作室」的转变。两个模型即日起在 Gemini API 与 Google AI Studio 上线,消费侧进入 Gemini Notebook 和 Google Vids,企业版 API 即将跟进。
双模型分工:一个管创意,一个管走量
Flash TTS 面向深度创作:游戏角色、有声书、播客、互动媒体。核心卖点是「从零设计音色」——用自然语言描述角色、口音和声音特征,模型生成一个原本不存在的声音。官方示例包括墨尔本高能 DJ、尖细单调的机器人、会说话的日本龙,覆盖超过 100 种语言和方言。Flash-Lite 走低成本大批量路线,面向配音、音频内容生产和语音 Agent,仍保留对语调、节奏和表现力的细粒度控制。
预置音色库从 30 个扩到 2000+ 个,含墨西哥西班牙语、魁北克法语、苏格兰英语等区域变体。声音复刻只需 30 秒音频样本,但流程强制嵌入同意环节:必须提交声音所有者的口头同意录音,系统校验与参考说话人匹配后才建立声音。复刻声音带 C2PA 内容凭证,所有 Gemini Audio 输出均内嵌 SynthID 不可见水印。
逐行导演,而不是整段念稿
两个模型都支持逐行表演指令:给每行台词写舞台指示,控制节奏、情绪、方言切换,可插入
榜单成绩:官方口径,注意归因
官方博客公布:Flash TTS 在 Hume AI Voice Design Benchmark 以 71.4 分拿下总榜第一,口音建模 60.8 分同样领先;Hume AI Overall Quality Index 上两模型分列一、二位;对比基线是自家上一代 Gemini 3.1 Flash TTS,长篇与双说话人控制提升明显。Voice Arena 盲测里,两模型在日语、巴西葡萄牙语、越南语、阿拉伯语、墨西哥西班牙语、印地语等关键语言位居前列。注意:以上均为谷歌官方口径,第三方独立复现尚待时日。
生态与合规红线
发布即带生态:Agora、LiveKit、Pipecat、Vercel 已接入,Figma、HeyGen、Wondercraft 等正在集成。合规侧,声音复刻在伊利诺伊、得克萨斯、EEA、英国、瑞士和印度不可用——合规边界直接画进产品功能。
所以呢
TTS 赛道近两个月不安静:Qwen3-TTS、B 站 IndexTTS-2.5、BreezeBlue Breeze TTS 2 等开源阵营连续出招,拼多语种、低延迟、情感控制。谷歌这一手没卷参数量,卷的是「可控性」——音色可从零设计、表演可逐行导演、克隆有同意门槛、输出有水印可溯源。对做有声书、配音、语音 Agent 的团队,选型问题正从「哪家念得像人」变成「哪家听得懂导演」。开源阵营在榜单上未必输,但在「导演工作流 + 合规凭证」这层产品化能力上,谷歌把标杆抬了一格。下一步盯第三方评测的独立复现,以及开源社区在可控表演维度的接招。
参考:
- 官方发布: blog.google/.../gemini-3-8-text-to-speech/
- 独立报道: thenextweb.com/news/gemini-tts-3-8-flash-voice-design-cloning