谷歌于9月23日宣布，Gemini系列新增两款文本转语音模型，将语音生成从静态预设转化为动态创意工具，助力创作者、开发者和企业打造更丰富、表现力更强的音频体验，同时优化Gemini Notebook和Google Vids等产品的用户感受。

两款新模型分别为Gemini 3.8 Flash TTS和Gemini 3.8 Flash-Lite TTS，定位各有侧重：

• Gemini 3.8 Flash TTS：针对深度创意方向和角色设计，可通过自然语言提示从零创建全新语音，在游戏、有声读物、播客和互动媒体中赋予角色生命力，并能精细控制表演提示、节奏、方言转换等。
• Gemini 3.8 Flash-Lite TTS：面向高容量、高性价比的规模化场景，针对大量配音、音频内容创作和富有表现力的语音代理进行优化，可精细控制音调、节奏和表现力细节。

用户可从原有的30种原始语音扩展至无限语音库。该模型的具体功能包括：

• 生成式语音设计：通过自然语言提示，在100多种语言和方言中自定义角色、口音和语音特征，从零创建定制语音。
• 扩展语音库：可访问2000多种现成语音，覆盖广泛语言，包括墨西哥西班牙语、魁北克法语、苏格兰英语等区域变体。
• 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水印和C2PA凭据，保护开发者和声音人才。
• 保存与扩展：可保存和管理自定义语音，确保在持续项目中保持一致性能，减少漂移。
• 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、节奏和口音进行微调，还可使用提示调整特征。

选择声音后，两款TTS模型都能让用户精确控制每一行台词的演绎方式：

• 逐行指导表演：用户可编写舞台指导，或让Gemini通过自然脚本提示引导交付，无论是平静的客服还是低声的悬疑场景都能实现。
• 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，扬声器漂移极小，适合播客和有声读物。
• 原生双声音场景编排：从单个脚本中无缝指导多轮对话，同时保持两种声音清晰分离，实现自然对话轮换。
• 脚本化声音爆发和背景反馈：可添加非语言提示（如、、）和主动倾听插入语（如mhm或yeah），实现精确的喜剧时机和反应节奏，增添对话真实感。

性能方面，Gemini 3.8 Flash TTS在Hume AI语音设计基准测试中（71.4分）位居第一，在口音建模方面（60.8分）也领先。

Gemini 3.8 Flash TTS和Gemini 3.8 Flash-Lite TTS能在不牺牲可靠性的前提下实现富有表现力的性能，在Hume AI整体质量指数中分别占据第一和第二，与Gemini 3.1 Flash TTS相比，在长格式内容和双扬声器剧本控制等广泛用例中均有重大改进。

在Voice Arena的盲法人类偏好评估中，Gemini 3.8 Flash和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、墨西哥西班牙语和印地语）竞争对手中领先。凭借对100多种语言的支持，这些模型能帮助创作者、开发者和企业在全球范围内打造高质量的多语言语音体验。

谷歌在语音创建和复制功能中内置了严格保护措施，以保护语音人才、尊重身份并确保内容透明度。对于语音复制，系统利用同意验证：用户必须提供来自语音所有者的口头同意记录，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都带有SynthID水印，且难以察觉，被直接编织到音频输出中，确保可检测到AI生成的语音，帮助防止错误信息。

即日起，开发者可在Google AI Studio中体验这些新语音生成功能。用户可通过提示从零创建全新声音身份，或复制自己的声音，然后将其直接带入双扬声器剧本编辑器，逐行指导交付。

两款模型已向开发者推送，可在Gemini API和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、瑞士和印度不可用。此外，AYX中国也将持续关注这类技术创新在本地化应用中的潜力。