谷歌推出 Gemini 3.8 Flash / Flash-Lite 文本转语音模型，每一行台词都能精确控制
谷歌于今日（9月23日）宣布，其Gemini产品线新增两款文本转语音模型，将语音生成从静态预设模式转变为动态创意工作流程，使创作者、开发人员及企业能够构建更丰富、更具感染力的音频体验，同时改进Gemini Notebook与Google Vids等产品的用户使用感受。
这两款新模型分别是 Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS，各自侧重不同领域：
- Gemini 3.8 Flash TTS：面向深度创意与角色塑造，可通过自然语言提示从零开始创建全新语音，适用于游戏、沉浸式有声读物、播客及互动媒体等场景，为角色注入生命力，并支持对表演指令、语速、方言切换等参数进行精细化调整。
- Gemini 3.8 Flash-Lite TTS：针对大容量、高性价比的规模化应用场景，专为大范围配音、音频内容制作及富有表现力的语音代理进行了优化，可精细调控音调、节奏与表现力细节。
据IT之家了解，用户能够从原先的30种基础语音扩展至无限语音库。该模型具备以下具体功能：
- 生成式语音设计：借助自然语言提示，可在100多种语言及方言中自定义角色、口音与语音特征，从零构建定制语音。
- 扩展语音库：可访问超过2000种预设语音，覆盖多种语言，包括墨西哥西班牙语、魁北克法语、苏格兰英语等地区性变体。
- 语音复制：仅需30秒音频样本即可重现一致的声音特征，并内置同意验证、SynthID水印及C2PA凭证，以保护开发者与声音人才。
- 保存与扩展：可保存并管理自定义语音，确保在持续项目中保持稳定性能，最大程度减少声音漂移。
- 语音混音（即将推出）：用户可从语音库中选择一种语音，对音色、音高、节奏及口音进行微调，或使用提示调整特征。
选定声音后，两款TTS模型均允许用户对每句台词的演绎方式进行精准操控：
- 逐行指导表演： 用户可自行编写舞台指导说明，或让Gemini通过自然脚本提示引导输出，无论是平静的客服对话还是低沉的悬疑场景均可实现。
- 长篇生成： 在长达数小时的连续音频中保持高语音质量、自然节奏与角色音色，声音漂移极小，特别适合播客与有声读物。
- 原生双声音场景编排： 可从单一脚本中无缝指导多轮对话，同时保持两种声音清晰区分，实现自然的对话交替。
- 脚本化声音爆发与背景反馈： 可添加非语言提示（如<laughs>、<sigh>、<gasp>）及主动倾听插入语（如mhm或yeah），实现精确的喜剧节奏与反应时机，增添逼真的对话质感。
在性能方面，Gemini 3.8 Flash TTS 在Hume AI的语音设计基准测试中（得分71.4分）排名总体第一，在口音建模方面（得分60.8分）同样处于领先地位。
Gemini 3.8 Flash TTS与Gemini 3.8 Flash-Lite TTS 能在不牺牲可靠性的前提下实现真正富有表现力的性能，在Hume AI的整体质量指数中分别占据第一与第二的位置。与Gemini 3.1 Flash TTS相比，在长格式内容及双扬声器剧本控制等广泛用例中均有显著改进。
在Voice Arena的盲法人类偏好评估中，Gemini 3.8 Flash与Flash-Lite TTS在全球主要语言（日语、巴西葡萄牙语、越南语、现代标准阿拉伯语、墨西哥西班牙语及印地语）的竞争对手中占据领先地位。凭借对100多种语言的支持，这些模型能够帮助创作者、开发人员及企业在全球范围内打造高质量的多语言语音体验。
谷歌在语音创建与复制功能中内置了严格的保护措施，以保护声音人才、尊重身份认同并确保内容透明度。对于语音复制，系统采用同意验证机制：用户必须提供来自语音所有者的口头同意记录，并与参考说话者匹配后才能创建语音。
Gemini Audio模型生成的每个音频片段均带有SynthID水印，该水印难以察觉，并被直接嵌入音频输出中，确保AI生成的语音可被检测，从而帮助防止错误信息。
即日起，开发者即可在Google AI Studio中体验这些新的语音生成功能。用户可通过提示从零开始创建全新的声音身份，或复制自身声音，然后将它们直接导入双扬声器剧本编辑器，逐行指导输出。
两款模型现已向开发者推送，可在Gemini API与Google AI Studio中使用；面向企业用户，很快将通过Gemini Enterprise中的API推出；面向所有用户，Gemini 3.8 Flash TTS可在Gemini Notebook中使用，Gemini 3.8 Flash-Lite TTS可在Google Vids中使用。
需要注意的是，通过AI Studio进行的语音复制在伊利诺伊州、德克萨斯州、欧洲经济区、英国、瑞士及印度不可用。