Google 推出 Gemini 3.8 Flash TTS：打字就能捏聲優，支援 100 多種語言

以前想給遊戲 NPC、播客或者有聲書配個獨特的角色音，擺在面前的選擇其實不多：要麼找配音演員進棚，成本居高不下；要麼去 ElevenLabs 等平臺挑挑揀揀，或者忍受平臺自帶的呆板預設音。

Google 正式推出兩款全新的文本轉語音模型：Gemini 3.8 Flash TTS 和輕量版的 Gemini 3.8 Flash-Lite TTS。它們最大的變化，就是把語音合成從死板的預設音庫，變成了一間用提示詞就能操作的聲音工作室。

打字就能捏聲優，還能逐句講戲

這次最抓人眼球的能力是聲音設計。你不需要去找特定樣本，只要在提示詞裡用自然語言描述角色設定，模型就能憑空捏出一個全新聲音。無論是墨爾本當地電臺里語速飛快的高能 DJ，還是帶著低吼聲的奇幻巨龍，全靠一兩句描述生成。

如果你手頭已有目標聲音，兩款模型也支援音訊克隆。只要一段 30 秒的參考音訊，就能快速復刻出穩定的聲音聲線。為了防止深偽濫用，Google 加入了強制的口頭授權錄音匹配機制，生成的音訊還會直接壓入肉眼不可見的 SynthID 數字水印和 C2PA 憑證。

更接地氣的是逐句導演能力。在以往的 TTS 工具裡，AI 經常念得平鋪直敘，遇到嘆氣或者搭話就露餡。新模型允許你在臺詞裡插入微動作標籤，比如笑聲、嘆氣或者倒吸涼氣，甚至能加上嗯、對啊這類日常傾聽反應。兩款模型還支援原生雙人對白編排，單份劇本就能讓兩個角色自然交替接話，不會出現聲音串線或語氣漂移。

屠榜的聲音質量與白菜價

在語言覆蓋上，這兩款模型支援超過 100 種語言與地區方言，連墨西哥西班牙語、魁北克法語和蘇格蘭英語這類小眾口音都有照顧，官方聲庫也預置了超過 2000 種現成聲音。

在業內關注的效能基準上，Gemini 3.8 Flash TTS 拿下了 Hume AI 聲音設計基準的第一名，得分 71.4，在口音建模測試中同樣以 60.8 分領跑。在綜合質量指數上，Flash 和 Flash-Lite 更是包攬了前兩名。有第三方評測指出，在盲測競技場中，這套新模型的綜合表現甚至壓過了該領域的標杆 ElevenLabs。

兩款模型目前已經上線 Gemini API 和 Google AI Studio，普通使用者在 Gemini Notebook 和 Google Vids 裡也能用到。兩者的分工很明確：標準版負責需要細膩戲感的播客、遊戲角色和有聲書；Lite 版則主打低延遲和批次高併發，用來支撐廉價翻譯配音和即時語音客服。

為什麼重要

我們認為，Google 這次出手直接切中了語音生成領域最核心的兩個痛點：情緒表現力和推理成本。過去很長一段時間，TTS 市場兩極分化嚴重，大廠的原生模型便宜但機械感重，垂直賽道的明星工具好聽卻貴得嚇人。Google 把自家的語言理解能力融入語音合成，用打字代替挑預設，在大幅拉高表現力的同時把價格壓到了極低區間，這會讓很多原本打算按句買單的獨立開發者重新算賬。

對內容創作者和獨立遊戲團隊來說，現在幾乎不用付出額外門檻，就能在 AI Studio 裡用劇本編輯器搭出一齣雙人廣播劇，甚至隨時給角色調整口音和細微呼吸。這種逐句可控的顆粒度，是此前很多生成式語音工具欠缺的。

當然隱患也不是沒有。儘管 Google 搬出了口頭授權錄音和 SynthID 水印，但在開源和灰色工具橫行的當下，僅靠 30 秒音訊就能近乎完美克隆一個人的音色，依然會給聲音版權界定帶來不小的爭議。各家語音初創公司接下來的日子可能不會太好過，當巨頭把前沿聲音生成變成了雲服務的平價基礎設施，單純靠音質當護城河的時代看起來已經快要結束了。