谷歌发布Gemini 3.8 Flash与Flash-Lite语音合成模型

双轨并行：定位分明的语音合成新架构

谷歌发布Gemini 3.8 Flash TTS与Gemini 3.8 Flash-Lite TTS，作为Gemini Audio家族最新成员，被官方称为其迄今‘最具表现力’的音频生成模型。二者共享统一的自然语言控制接口，但在目标场景与能力侧重上明确分层：Flash TTS聚焦深度创意指导与角色化语音构建，适用于游戏配音、沉浸式有声书、播客及交互媒体；Flash-Lite TTS则专为高并发、成本敏感型任务优化，典型用例包括多语种影视本地化（dubbing）、规模化音频内容生成及富有表现力的语音智能体。

提示即设计：从文本指令生成全新声音

相较此前仅提供30种预设语音的Gemini TTS，3.8版本转向大规模生成式语音设计体系。Flash TTS支持通过自然语言提示词实时生成定制化声音——描述角色身份（如‘墨尔本夜店DJ’）、口音特征（如‘关西腔日本龙’）或声学属性（如‘低沉机械感’），覆盖超100种语言及方言变体。开发者还可直接调用2000余种开箱即用的生产级语音库，涵盖墨西哥西班牙语、魁北克法语、苏格兰英语等区域变体。所有自定义语音均可保存复用，且跨项目保持声学一致性；‘语音混音’功能（prompt-based timbre/pitch/pace/accent调整）已预告即将上线。

自然语言导演：让脚本自带表演指令

两模型均接受嵌入脚本中的自然语言舞台指示。例如，在台词中直接标注‘<laughs>’‘<sigh>’或‘|mhm|’，即可触发对应非言语发声或倾听式应答，精准控制对话节奏与喜剧时机。系统支持长时序连贯生成——数小时音频中音色、语速与韵律保持稳定；原生支持双角色对话，单条脚本即可驱动两个风格迥异、物理分离的语音流完成多轮交互。

声音复刻与可信保障机制

语音复刻功能允许用户基于30秒原始音频样本构建一致声纹模型，但需同步提交语音所有者亲述的同意声明录音，系统将比对二者声学特征以验证授权。所有Gemini Audio输出均嵌入SynthID隐形水印，且复刻语音额外附加C2PA内容凭证。安全策略细节详见《Gemini 3.8 Audio模型卡》。

客观评测表现

在Hume AI语音设计基准测试中，Flash TTS以71.4分位居综合榜首，其口音建模单项得分60.8亦为最高；在Hume AI整体质量指数中，Flash TTS与Flash-Lite TTS分列第1、第2名。Voice Arena盲测结果显示，两款模型在日语、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等语种中均进入首选梯队。

部署与访问方式

当前模型已通过Gemini API及Google AI Studio向开发者开放，Playground中模型标识符分别为`gemini-3.8-flash-tts`与`gemini-3.8-flash-lite-tts`。API为唯一接入方式，无开源权重，不支持私有部署；企业级API服务（Gemini Enterprise）预计后续上线。需注意：语音复刻功能在英国、欧洲经济区及印度等地区暂未向AI Studio开放。

编者观点：中国AI语音厂商需关注‘提示词驱动语音设计’这一范式迁移——当语音不再依赖预置库而是由文本即时生成，核心竞争将转向多语种声学建模精度、文化语境理解深度及可控性工程能力。