Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 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。可在 Google AI Studio、Gemini API、Gemini Enterprise、Gemini Notebook 和 Google Vids 中生成自定义角色声音，并指导场景对话。

Leland Rechis

集团产品经理

Alan Cowen

研究科学总监，代表 Gemini Audio 团队

今天，我们将向 Gemini 家族推出两款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。这些模型使创作者、开发者和企业能够打造更丰富、更具表现力的音频体验，同时也能在 Gemini Notebook 和 Google Vids 等产品中带来更好的用户体验。

• Gemini 3.8 Flash TTS：专为深度创意指导和角色设计而打造。使用自然语言提示从零开始创建全新的声音，让游戏、沉浸式有声书、播客和互动媒体中的角色鲜活起来。以细粒度控制表演提示、节奏、方言转换和附和语，逐句指导每一次表演。
• Gemini 3.8 Flash-Lite TTS：专为高容量、经济高效的规模化应用而打造。针对大规模配音、音频内容创作和富有表现力的语音智能体进行优化，可精细控制语气、节奏和表达细微差别。

这些模型补充了我们快速发展的 Gemini Audio 家族，此前我们已推出 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声音

从 30 种原始声音扩展到无限的声音库。无论你需要完全原创的角色声音，还是一致的品牌代言人声音，我们的 3.8 Flash TTS 模型都能提供完整的声乐工作室能力。这让你可以为每个时刻创建并使用富有表现力、听起来自然的声音，同时帮助开发者和企业轻松构建自定义音频体验。

• 生成式声音设计：借助 Gemini 3.8 Flash TTS，你可以使用自然语言提示，在 100 多种语言和方言中自定义角色、口音和声音特征，从零开始创建定制声音——无论是让一条富有戏剧感、会喷火的巨龙栩栩如生，还是打造一位具有鲜明地区韵律的魅力旁白。

• 庞大的声音库：可访问 2,000 多种可用于制作的声音，覆盖广泛语言——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。
• 声音复刻：只需一段 30 秒的你的声音样本，或你有权使用的声音样本，即可重建一致的声音档案，并通过内置的同意验证、SynthID 水印和 C2PA 凭证，为开发者及其配音人才提供保护。
• 保存并扩展：保存并管理你设计的自定义声音，以确保在持续项目中保持一致表现并尽量减少偏移。
• 声音混音：即将推出，你可以从我们的声音库中选择一种声音，并微调音色、音高、语速和口音。使用提示来精确设定特征（例如“添加轻微的美国南部口音”或“让表达更柔和”）。

逐句指导表演

选择声音后，两款 TTS 模型都能让你精确控制每一句台词的呈现方式。

• 逐行直接控制表演： 编写你自己的舞台指示，或让 Gemini 通过自然的脚本提示来引导表达——从平静的客服专员到低声耳语的悬疑场景。

• 长篇生成： 在数小时连续音频中保持高语音质量、自然节奏和角色音色，并将说话人漂移降至最低——非常适合播客和有声书。
• 原生双说话人场景调度： 通过单个脚本无缝引导多轮对话——无论是用于播客还是戏剧化叙事——同时让两种声音保持清晰区分，并实现自然的对话轮替。
• 脚本化的声音爆发与附和： 使用非语言提示（如 <laughs>、<sigh>、<gasp>）以及积极倾听式插话（如 |mhm| 或 |yeah|）添加逼真的对话质感，实现精准的喜剧节奏和反应节拍。

获得面向全球规模打造的富有表现力的高质量语音生成

Gemini 3.8 Flash TTS 提供领先的语音定制能力，在 Hume AI 的 Voice Design Benchmark（71.4）中获得综合第 1 名，并在口音建模（60.8）方面同样领先。

Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 可实现真正富有表现力的表演，同时不牺牲可靠性，还分别在 Hume AI 的 Overall Quality Index 中获得第 1 名和第 2 名。与 Gemini 3.1 Flash TTS 相比，该模型在长篇内容和双说话人剧本控制等广泛用例上都有显著提升。

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者前列。凭借对 100 多种语言的支持，这些模型让创作者、开发者和企业能够在全球范围内构建高质量的多语言语音体验。

以信任、同意和透明度为基础进行构建

我们在构建语音创建和复制能力时采用了严格的安全防护措施，以帮助保护配音人才、尊重身份，并确保内容透明。对于语音复制，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，且该录音需与参考说话人匹配，然后才能创建声音。

更广泛地说，由我们的 Gemini Audio 模型生成的每段音频都会嵌入 SynthID 水印。这种不可感知的水印会直接编织进音频输出中，确保 AI 生成的语音仍可被检测出来，以帮助防止虚假信息。有关我们安全与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 音频体验区

从今天开始，开发者可以在 语音生成 Google AI Studio 中体验这些新的能力。它像一个语音设计工作区，你可以从零开始提示生成全新的声音身份，或复制你自己的声音 ¹ ，然后将它们直接带入双说话人剧本编辑器，逐行指导表达。

在 Google AI Studio 中试用语音复制。

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，它们正在集成我们最新的 TTS 模型，以帮助加速全球配音、用细腻的地区口音对媒体进行本地化，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 推出
• 面向所有人：在 Gemini Notebook 中。

Gemini 3.8 Flash-Lite TTS 从今天开始推出：

• 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 推出
• 面向所有人：在 Google Vids 中

在你的收件箱中获取来自 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、特别优惠等内容。

你的信息将按照 Google 的隐私政策 使用。你可以随时退订。