Google 推出 Gemini 3.8 Flash TTS：打字就能捏声优，支持 100 多种语言

以前想给游戏 NPC、播客或者有声书配个独特的角色音，摆在面前的选择其实不多：要么找配音演员进棚，成本居高不下；要么去 ElevenLabs 等平台挑挑拣拣，或者忍受平台自带的呆板预设音。

Google 正式推出两款全新的文本转语音模型：Gemini 3.8 Flash TTS 和轻量版的 Gemini 3.8 Flash-Lite TTS。它们最大的变化，就是把语音合成从死板的预设音库，变成了一间用提示词就能操作的声音工作室。

打字就能捏声优，还能逐句讲戏

这次最抓人眼球的能力是声音设计。你不需要去找特定样本，只要在提示词里用自然语言描述角色设定，模型就能凭空捏出一个全新声音。无论是墨尔本当地电台里语速飞快的高能 DJ，还是带着低吼声的奇幻巨龙，全靠一两句描述生成。

如果你手头已有目标声音，两款模型也支持音频克隆。只要一段 30 秒的参考音频，就能快速复刻出稳定的声音声线。为了防止深伪滥用，Google 加入了强制的口头授权录音匹配机制，生成的音频还会直接压入肉眼不可见的 SynthID 数字水印和 C2PA 凭证。

更接地气的是逐句导演能力。在以往的 TTS 工具里，AI 经常念得平铺直叙，遇到叹气或者搭话就露馅。新模型允许你在台词里插入微动作标签，比如笑声、叹气或者倒吸凉气，甚至能加上嗯、对啊这类日常倾听反应。两款模型还支持原生双人对白编排，单份剧本就能让两个角色自然交替接话，不会出现声音串线或语气漂移。

屠榜的声音质量与白菜价

在语言覆盖上，这两款模型支持超过 100 种语言与地区方言，连墨西哥西班牙语、魁北克法语和苏格兰英语这类小众口音都有照顾，官方声库也预置了超过 2000 种现成声音。

在业内关注的性能基准上，Gemini 3.8 Flash TTS 拿下了 Hume AI 声音设计基准的第一名，得分 71.4，在口音建模测试中同样以 60.8 分领跑。在综合质量指数上，Flash 和 Flash-Lite 更是包揽了前两名。有第三方评测指出，在盲测竞技场中，这套新模型的综合表现甚至压过了该领域的标杆 ElevenLabs。

两款模型目前已经上线 Gemini API 和 Google AI Studio，普通用户在 Gemini Notebook 和 Google Vids 里也能用到。两者的分工很明确：标准版负责需要细腻戏感的播客、游戏角色和有声书；Lite 版则主打低延迟和批量高并发，用来支撑廉价翻译配音和实时语音客服。

为什么重要

我们认为，Google 这次出手直接切中了语音生成领域最核心的两个痛点：情绪表现力和推理成本。过去很长一段时间，TTS 市场两极分化严重，大厂的原生模型便宜但机械感重，垂直赛道的明星工具好听却贵得吓人。Google 把自家的语言理解能力融入语音合成，用打字代替挑预设，在大幅拉高表现力的同时把价格压到了极低区间，这会让很多原本打算按句买单的独立开发者重新算账。

对内容创作者和独立游戏团队来说，现在几乎不用付出额外门槛，就能在 AI Studio 里用剧本编辑器搭出一出双人广播剧，甚至随时给角色调整口音和细微呼吸。这种逐句可控的颗粒度，是此前很多生成式语音工具欠缺的。

当然隐患也不是没有。尽管 Google 搬出了口头授权录音和 SynthID 水印，但在开源和灰色工具横行的当下，仅靠 30 秒音频就能近乎完美克隆一个人的音色，依然会给声音版权界定带来不小的争议。各家语音初创公司接下来的日子可能不会太好过，当巨头把前沿声音生成变成了云服务的平价基础设施，单纯靠音质当护城河的时代看起来已经快要结束了。