Google DeepMind 发布 Gemini 3.8 Flash TTS，强调可定制与可导演的语音生成

Google DeepMind 宣布在 Gemini 家族中新增两款文本转语音模型——Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS，将语音生成从「预设音色库」升级为「可定制的动态创作工坊」。两款模型已在 Google AI Studio、Gemini API、Gemini Enterprise、Gemini Notebook 与 Google Vids 中上线，面向创作者、开发者和企业用户提供更富表现力的音频生成能力。

两款模型的定位差异

• Gemini 3.8 Flash TTS：面向深度创意与角色设计的旗舰版本，支持用自然语言提示从零创建全新音色，可用于游戏、有声书、播客与互动媒体；并提供逐行的精细控制，包括表演提示、节奏、方言切换与「插话反应」等。
• Gemini 3.8 Flash-Lite TTS：面向高吞吐、成本敏感场景，主打大规模配音、音频内容生产与表现力语音代理，可在音色、节奏与情绪细节上进行细粒度调节。

两款模型加入此前的 Gemini Audio 阵营，与 3.5 Live Translate、3.5 Transcribe、3.8 Live 及 3.8 Live Extended Thinking 形成互补。

自定义音色：从 30 个预设到「无限库」

新版本将可用音色从 30 个扩展到 2000 多个生产级音色，并覆盖包括墨西哥西班牙语、魁北克法语、苏格兰英语在内的多种地区方言，整体支持超过 100 种语言与方言。核心能力包括：

• 生成式音色设计：用自然语言提示设定角色、口音与声音特征，例如创建一条「会喷火的龙」或带地域腔调的魅力旁白。
• 音色复刻：仅需 30 秒音频样本即可复刻声音，系统强制要求被复刻者的口头同意录音，并叠加 SynthID 水印与 C2PA 凭证以保护权益。
• 保存与扩展：用户可保存自定义音色并跨项目复用，减少长周期项目中的音色漂移。
• 音色再混合（即将上线）：从音色库中选择起点，通过提示微调音色、音高、节奏与口音，例如「加入轻微的美国南部口音」或「让语气更柔和」。

逐行导演对白与长音频

两款 TTS 模型均提供精细的「逐行表演控制」能力，适合需要叙事张力的长内容场景：

• 支持自然语言脚本提示（如「冷静的客服」「低语悬疑场景」）来引导 Gemini 自主演绎。
• 可在数小时的连续音频中保持音色、节奏与人物特征稳定，降低长篇播客与有声书的漂移。
• 内置双人对话场景调度，从同一脚本生成自然的多轮对话，并保持两位说话人音色清晰区分。
• 支持脚本化的语气爆发与「插话反应」，例如 <laughs>、<sigh>、<gasp> 以及 |mhm|、|yeah| 等拟声与主动倾听标记。

基准成绩与全球语言覆盖

根据官方披露：

• 在 Hume AI 的 Voice Design Benchmark 上，Gemini 3.8 Flash TTS 以 71.4 取得第一名，并在口音建模子项上以 60.8 领先。
• 在 Hume AI 的 Overall Quality Index 上，3.8 Flash TTS 与 Flash-Lite TTS 分列第一、第二；相比 Gemini 3.1 Flash TTS，在长内容生成与双人剧本控制等场景上有显著提升。
• 在 Voice Arena 的盲测人评中，两款模型在日语、巴西葡萄牙语、越南语、现代标准阿拉伯语、墨西哥西班牙语与印地语等关键全球语言上均位居前列。

安全、信任与透明机制

针对音色复刻与 AI 生成音频，Google DeepMind 强调多层防护：

• 同意核验：复刻声音前必须提交被复刻者的口头同意录音，并经系统核验与参考说话人匹配。
• SynthID 水印：所有 Gemini Audio 模型生成的音频均嵌入不可感知水印，便于识别 AI 生成内容、抑制虚假信息传播。
• 模型卡公开：团队发布模型卡，详细说明安全与责任机制。

用户可通过 Google AI Studio 的全新音频 Playground 试用这些能力，并基于自有脚本与音色库构建多语言语音产品。