Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS

2026年9月23日

|

Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 是我们迄今最具表现力的音频生成模型。在 Google AI Studio、Gemini API、Gemini Enterprise、Gemini Notebook 和 Google Vids 中生成自定义角色语音并执导场景对话。

Leland Rechis

集团产品经理

Alan Cowen

研究科学总监，代表 Gemini Audio 团队

今天，我们为 Gemini 家族推出两款全新的文本转语音模型，将语音生成从静态预设转变为动态创意工作室。这些模型让创作者、开发者和企业能够打造更丰富、更具表现力的音频体验，同时改善 Gemini Notebook 和 Google Vids 等产品中的用户体验。

• Gemini 3.8 Flash TTS：专为深度创意执导和角色设计打造。使用自然语言提示词从零开始创建全新语音，让角色在游戏、沉浸式有声书、播客和互动媒体中栩栩如生。逐行执导每一场表演，对表演提示、节奏、方言转换和应和语进行精细控制。
• Gemini 3.8 Flash-Lite TTS：专为高吞吐量、高成本效益的规模化场景打造。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进行了优化，可对语气、节奏和表现力细节进行细粒度控制。

这两款模型补充了我们快速成长的 Gemini Audio 家族，此前已推出 3.5 Live Translate、3.5 Transcribe、3.8 Live 和 3.8 Live Extended Thinking。

创建并自定义你自己的语音

从 30 种原创语音扩展到无限语音库。无论你需要一个完全原创的角色语音，还是一个风格一致的品牌代言人，我们的 3.8 Flash TTS 模型都能提供完整的语音工作室。这让你能够为每个时刻创建并使用富有表现力、自然流畅的语音，同时赋能开发者和企业轻松构建自定义音频体验。

• 生成式语音设计：借助 Gemini 3.8 Flash TTS，你可以使用自然语言提示词，在 100 多种语言和方言中自定义角色、口音和语音特征，从零开始打造专属语音——无论你是想让一条戏剧性的喷火龙活灵活现，还是塑造一位带有鲜明地域韵律的魅力旁白。

• 庞大的语音库：访问 2,000 多种可直接用于生产的语音，覆盖广泛的语言——包括墨西哥西班牙语、魁北克法语和苏格兰英语等地域变体。
• 语音复刻：只需一段 30 秒的音频样本，即可根据你自己的声音或你拥有使用授权的声音，重建一致的人声特征，并以内置的同意验证、SynthID 水印和 C2PA 凭证为后盾，保护开发者和他们的配音人才。
• 保存与扩展：保存并管理你设计的自定义语音，确保在持续推进的项目中保持一致的表现并最大限度减少漂移。
• 语音混音：即将推出，从我们的语音库中选择一种语音，微调音色、音高、节奏和口音。使用提示词来调整特征（例如“加入微妙的美国南方口音”或“让演绎更柔和”）。

逐行执导表演

选定语音后，两款 TTS 模型都能让你精确控制每一句台词的演绎方式。

• 逐行直接表演控制：编写你自己的舞台指示，或让 Gemini 通过自然的脚本提示引导演绎——从冷静的客服人员到低声细语的悬疑场景。

• 长内容生成：在数小时的连续音频中保持高音质、自然节奏和角色音色，说话人漂移极小——非常适合播客和有声音书。
• 原生双说话人场景编排：从单一脚本无缝指导多轮对话——无论是播客还是戏剧化叙事——同时保持两个声音清晰分离，并实现自然的对话轮替。
• 脚本化的人声爆发与应和：使用非语言提示（如 <laughs>、<sigh>、<gasp>）和积极倾听的插话（如 |mhm| 或 |yeah|）添加逼真的对话质感，以实现精准的喜剧节奏和反应节拍。

获取为全球规模打造的表现力丰富的高质量语音生成能力

Gemini 3.8 Flash TTS 提供领先的语音定制能力，在 Hume AI 的 Voice Design Benchmark 中夺得总分第一（71.4），并在口音建模方面同样领先（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真正富有表现力的表演，并分别在 Hume AI 的 Overall Quality Index 中夺得第一和第二名。与 Gemini 3.1 Flash TTS 相比，该模型在长内容、双说话人剧本控制等广泛用例上展现出重大改进。

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关键全球语言中位居竞争对手前列。凭借对 100 多种语言的支持，这些模型赋能创作者、开发者和企业，在全球范围内构建高质量、多语言的语音体验。

以信任、同意和透明为基础构建

我们在构建语音创建和复刻能力时采用了严格的保障措施，以帮助保护配音人才、尊重身份并确保内容透明。对于语音复刻，我们的系统利用同意验证：用户必须提供来自声音所有者的口头同意录音，且与参考说话人匹配，之后才能创建声音。

更广泛地说，我们的 Gemini Audio 模型生成的每一段音频片段都使用 SynthID 加水印。这种不可感知的水印直接编织到音频输出中，确保 AI 生成的语音可被检测，以帮助防止不实信息。有关我们安全和责任方法的更多详情，请查看模型卡。

试用我们全新的 Google AI Studio 音频实验场

从今天起，开发者可以在 Google AI Studio 中体验这些全新的语音生成能力。它构建得像一个语音设计工作区，你可以从零开始提示全新的声音身份，或复刻你自己的声音 ¹ ，然后直接将它们带入双说话人剧本编辑器，逐行指导演绎。

在 Google AI Studio 中试用语音复刻。

轻松部署高性能语音界面

通过使用 Gemini API，Agora、LiveKit、Pipecat、Vercel 等开发者平台使开发者能够轻松构建和部署高性能语音生成体验。

我们正在与 Figma、HeyGen、Linguana、Wondercraft、99.co 和 Ollang 等公司合作，他们正在集成我们最新的 TTS 模型，以帮助加速全球配音、用细腻的地区口音本地化媒体，并大规模驱动对话式语音代理。

开始使用我们最新的 Gemini Audio 模型：

Gemini 3.8 Flash TTS 从今天开始逐步推出：

• 面向开发者：在 Gemini API 和 Google AI Studio 中
• 面向企业：即将通过 Gemini Enterprise 中的 API 提供
• 面向所有人：在 Gemini Notebook 中。

Gemini 3.8 Flash-Lite TTS 从今天开始逐步推出：

• 面向开发者：在 Gemini API 和 Google AI Studio 中
• 面向企业：即将通过 Gemini Enterprise 中的 API 提供
• 面向所有人：在 Google Vids 中

在您的收件箱中获取 Google 的最新消息

订阅我们的新闻通讯，获取产品更新、活动信息、特别优惠等更多内容。

您的信息将按照 Google 的隐私政策使用。您可以随时退出。