Google 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS
来源Google DeepMind查看原文
速览
- Google 发布 Gemini 3.8 Flash TTS 和 Flash-Lite TTS 两款语音生成模型
- Flash TTS 主打角色设计与逐行表演控制，Flash-Lite TTS 主打高并发低成本
- 支持 100+ 语言、2000+ 现成声音，30 秒样本即可复刻声音
- Flash TTS 在 Hume AI 语音设计基准排名第一，两款模型包揽质量指数前二
- 内置 SynthID 水印、C2PA 凭证和声音复刻同意验证机制
- 即日起在 Gemini API、Google AI Studio 上线，同步进入 Notebook 和 Vids
- Agora、LiveKit、Vercel 等平台已支持部署，Figma、HeyGen 等正在集成
Google DeepMind 推出两款新的文本转语音模型 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS，将语音生成从固定预设升级为可自定义的创作工具。Flash TTS 面向深度创作与角色设计，支持用自然语言提示从零创建全新声音，也可用 30 秒音频样本复刻声音；Flash-Lite TTS 面向高并发、低成本的批量配音与语音 Agent 场景。两款模型支持超过 100 种语言和方言，Flash TTS 在 Hume AI 的 Voice Design Benchmark 上以 71.4 分排名第一，口音建模得分 60.8，两款模型分列 Hume AI Overall Quality Index 第一和第二。模型即日起在 Gemini API 和 Google AI Studio 上线，Flash TTS 同步进入 Gemini Notebook，Flash-Lite TTS 进入 Google Vids，企业版将通过 Gemini Enterprise API 提供。
关键事实
- Gemini 3.8 Flash TTS 在 Hume AI Voice Design Benchmark 上以 71.4 分排名第一，口音建模得分 60.8
- Gemini 3.8 Flash TTS 与 Flash-Lite TTS 分列 Hume AI Overall Quality Index 第一和第二
- Flash TTS 支持从 30 秒音频样本复刻声音，需提供声音所有者的口头同意录音
- 两款模型支持超过 100 种语言和方言，语音库含 2000+ 现成声音，覆盖墨西哥西班牙语、魁北克法语、苏格兰英语等地区变体
- Flash TTS 可从 30 个原始声音扩展至无限语音库，支持逐行指导表演、双人对话场景编排和 、 等非语言提示
- 所有 Gemini Audio 模型生成的音频均嵌入 SynthID 水印，并支持 C2PA 凭证
本站视角
这次发布对几类人有直接影响。第一是中文开发者，尤其是做实时语音 Agent 的团队：Flash-Lite TTS 明确指向高并发、低成本的语音 Agent 场景，如果定价合理，会直接冲击目前国内团队常用的第三方 TTS 方案，也意味着基于 Gemini API 的语音 Agent 在延迟和成本上可能更有竞争力。第二是做有声书、播客、游戏配音和本地化配音的内容团队，30 秒样本复刻加逐行表演控制，把过去需要专业录音棚和配音演员的流程压缩成脚本加提示词，制作成本结构会变。第三是做海外市场的产品团队，100+ 语言和墨西哥西班牙语、魁北克法语这类地区变体，意味着本地化配音不必再为「口音不够地道」妥协。 我们的判断是，这次发布里真正有分量的不是「又一个 TTS」，而是「可导演的表演」和「声音复刻的合规化」这两件事。逐行控制情绪、节奏、方言切换和 backchanneling，是把 TTS 从朗读工具推向表演工具的临界点；而同意验证加 SynthID 加 C2PA 的组合，是 Google 试图把声音克隆从灰色地带拉进可商用轨道。这两点如果落地扎实，会拉开与只做「音色好听」的竞品的差距。 需要观察的地方有三点。其一，Hume AI 的基准分数由 Google 自己引用，且 Voice Arena 的盲测偏好只给了「top positions」而没有具体名次和分数，这类自报成绩需要第三方复现才能确认含金量。其二，声音复刻的同意验证在实际执行中能拦住多少滥用，取决于验证流程的严格程度，目前原文没有说明验证的具体机制。其三，Flash-Lite TTS 的定价和延迟数据没有公布，而这两项恰恰决定了它能否真正吃下高并发语音 Agent 市场。对国内团队来说，还要考虑 Gemini API 的可获取性和合规问题，这可能会限制实际采用。
背景与影响
Gemini 3.8 Flash TTS 和 Flash-Lite TTS 是 Gemini Audio 家族的最新成员，此前该家族已推出 3.5 Live Translate、3.5 Transcribe、3.8 Live 和 3.8 Live Extended Thinking。这次发布的核心变化在于把语音生成从「选择预设音色」变成「用自然语言设计声音」：用户可以通过提示词定义角色、口音和声音特征，也可以逐行指导语速、情绪和对话节奏，甚至插入 、 等非语言提示来制造喜剧时机和反应节拍。对长音频场景，模型声称能在数小时连续生成中保持音色和节奏稳定，减少说话人漂移，这直接针对有声书和播客的制作痛点。声音复刻方面，Google 要求用户提供声音所有者的口头同意录音，并配合 SynthID 水印和 C2PA 凭证，这套组合拳明显是在回应过去两年业界对 AI 语音克隆滥用的担忧。从生态看，Google 同时拉来了 Agora、LiveKit、Pipecat、Vercel 等开发平台和 Figma、HeyGen、Wondercraft 等内容工具，意图把 TTS 能力嵌入到从实时语音 Agent 到全球配音的整条链路里。
本文由 AI 辅助整理自公开信源，事实部分以原文为准；「本站视角」一节为编辑部判断，欢迎指正。版权归原作者所有，如有异议请联系我们。
