谷歌发布Gemini 3.8 Flash TTS与Flash-Lite TTS，可用文字描述从零设计语音
两款模型支持超 100 种语言和逐句舞台指示；Flash TTS可由文字描述定义口音与音色，并支持 30 秒样本克隆声音，Flash-Lite面向低成本批量配音。
AI解读：谷歌一次性放出两个语音合成模型：Gemini 3.8 Flash TTS和Flash-Lite TTS。前者面向游戏角色、有声书、播客这类创意场景，后者主打大规模低成本的配音、音频内容和语音代理。二者都支持超过 100 种语言。
Flash TTS的卖点是“从描述造声音”：一段文字提示可以定义角色的口音、音色和说话方式。不想从零调的人可以用 2000 多个预设音色，包含墨西哥西班牙语、魁北克法语、苏格兰英语等地区变体。克隆声音需要 30 秒样本，且被克隆者要录一段同意声明，录音里的声音必须与样本一致。
真正会改变工作方式的是逐行舞台指示。用户能给每句台词写情绪和语气，也能让模型自己解读剧本提示，还支持单剧本双人对话、脚本化笑声和叹气，目的是让长时间生成的音频不“跑音色”。这对有声书和播客制作者最直接：原本需要配音演员反复重录的地方，现在变成写提示词。
成本方面，谷歌说 1 秒音频等于 25 个音频token，1 小时是 9 万token。按当前价，Flash TTS一小时音频输出约 0.81 美元，Flash-Lite约 0.54 美元；2027 年 1 月 1 日起翻倍到 1.62 美元和 1.08 美元，文字输入另计。免费层数据会被谷歌用于改进产品，付费层不会。
限制也存在：所有生成音频都带SynthID隐形水印；调音色、音高、语速和口音的“Voice Remixing”功能已宣布但尚不可用；新模型暂未列出区域端点，作者自己的测试在背景噪声和音色稳定性上也发现了问题。对有合规要求的企业，这几条比价格更值得先确认。
谷歌推出两款语音生成模型：Gemini 3.8 Flash TTS和Gemini 3.8 Flash-Lite TTS，均支持超过 100 种语言，并允许用户为每一句对话添加舞台指示。该消息由The Decoder报道。
据谷歌介绍，Flash TTS面向游戏角色、有声书和播客等创意项目，Flash-Lite TTS则聚焦配音、音频内容和语音代理等低成本、大规模语音生成场景。
Flash TTS支持通过文字描述从零设计声音。谷歌称，一段提示词可以定义声音的角色、口音和发声特征，覆盖多种语言和方言。对于不想从零开始的用户，谷歌提供超过 2000 个预设声音库，包含墨西哥西班牙语、魁北克法语、苏格兰英语等地区变体。
声音克隆功能可基于 30 秒音频样本建立声音档案。使用该功能时，被克隆声音的人必须录制一段口头同意声明，且该录音中的声音必须与样本一致。
谷歌表示，Gemini音频模型生成的每一段音频都带有听不见的SynthID水印，用于帮助检测AI生成语音。谷歌还宣布了“Voice Remixing”功能，将允许用户调整声音库中声音的音色、音高、语速和口音，但该功能目前尚不可用。
逐行舞台指示与双人对话
两款模型都允许用户为每一行内容写指示，或让模型自行解读剧本提示。谷歌称，模型可以生成数小时音频而极少出现“说话人漂移”，即声音随时间几乎不变。
据谷歌介绍，双声音模式可以从单一剧本生成对话，同时保持两个声音可区分。用户还可以脚本化笑声、叹息和“mhm”之类的声音，把反应和停顿放在想要的位置。
The Decoder的作者进行了两次自测，使用预设声音并加入风格提示，要求模型模仿一个带着浓重德国口音、说英语的烦躁柏林人。作者称，风格控制产生了令人信服的口音和语调，但两次测试在某些片段背景中都出现了高频啸叫；其中一次在片段结尾声音还发生了变化。
- 谷歌称新模型在Hume AI文本转语音基准的大多数类别中领先。
- 作者测试所用风格提示词要求把“th”发成“z”或“d”、把“w”发成“v”，并带有喉音“r”和干涩讽刺的语气。
上线渠道与价格
谷歌正通过Gemini API和Google AI Studio推出这两款模型。Flash TTS也已在Gemini Notebook中提供，Flash-Lite TTS则已在Google Vids中提供。谷歌称，两款模型通过Gemini Enterprise API的访问权限也将很快跟进。
Agora、LiveKit、Pipecat和Vercel等开发者平台已经通过Gemini API支持集成。谷歌尚未列出新模型的区域端点，不过此前的TTS模型提供过欧盟数据处理。
谷歌表示，免费层的数据会被用于改进其产品，付费层的数据不会。付费价格以美元/百万token计，文字token按输入计费，音频token按输出计费。
- Flash TTS至 2026 年底：文字输入 $0.50，音频输出 $9.00。
- Flash TTS自 2027 年起：文字输入 $1.00，音频输出 $18.00。
- Flash-Lite TTS至 2026 年底：文字输入 $0.50，音频输出 $6.00。
- Flash-Lite TTS自 2027 年起：文字输入 $1.00，音频输出 $12.00。
- 谷歌称 1 秒生成音频等于 25 个音频token，1 小时为 90,000 个token。据此，截至 2026 年底，1 小时音频输出在Flash TTS上花费 $0.81，在Flash-Lite TTS上花费 $0.54；2027 年 1 月 1 日起分别涨至 $1.62 和 $1.08，文字输入另计。