9 月 23 日，谷歌放出两款新的文字转语音模型：Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS。官方在发布稿里的定位是”把语音生成从静态预设变成一个动态的创作工作室”。
这句话不算夸张。上一代 Gemini 音频家族的音色库只有 30 个原始声音，而这次直接给到 2000 多种成品音色，同时开放了”用文字描述造一个新音色”和”用 30 秒样本克隆声音”两条路。
发布时间点也有意思：就在同一个星期，OpenAI 和 Anthropic 正在为每百万 token 的价格对打出牌，谷歌选的切口是语音——一个没被卷过、但需求真实存在的位置。
一、这次到底能干什么
两款模型的定位分工很明确：
- Gemini 3.8 Flash TTS：面向创作，游戏角色、有声书、播客、互动媒体。可以用一句自然语言描述造音色，比如”墨尔本的高能电台 DJ””一条日本龙”，官方支持 130 种语言。
- Gemini 3.8 Flash-Lite TTS：便宜、扛量的那一款，面向批量配音、视频本地化和语音助手，支持 101 种语言。
两款共用一套接口 schema，模型 ID 分别是 gemini-3.8-flash-tts 和 gemini-3.8-flash-lite-tts，输入上限 8192 token、输出 16384 token。开发者在 Gemini API 和 Google AI Studio 里当天就能用，Gemini Enterprise 的企业通道写的是”即将开放”。
具体能力有几项值得单独说：
逐行导演。 脚本里可以直接写舞台指示，控制每一句的语速、方言和情绪；单份脚本就能演双人对话，自动处理轮次切换；还能插入笑声、叹气这类非语言提示，以及”嗯””对”这种听起来在认真听的反应词。官方称连续几小时的音频里说话人漂移很小。
两千多种成品音色。 包括墨西哥西班牙语、魁北克法语、苏格兰英语这些地区变体。造好的自定义音色可以存下来复用——对每周更新的播客来说，这一点比跑分更实用。
音色混音（即将上线）。 对库存音色做音色、音高、语速、口音层面的微调，目前还没开。
二、跑分和生态：谁来接
谷歌报的成绩全部来自第三方评测机构 Hume AI：
- Flash TTS 在 Voice Design Benchmark 上以 71.4 分排第一
- 口音建模一项 60.8 分，同样领先
- Flash TTS 和 Flash-Lite TTS 在 Hume 的整体质量指数上分列第一、第二
- 在 Voice Arena 的盲测里，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、印地语这几个语种上排到前列
需要说明的是，这些都是谷歌自己引用的第三方成绩，不是独立复现。
生态侧名单也不短：Figma、HeyGen、Linguana、Wondercraft、99.co、Ollang 已接入，用于配音、本地化和对话式语音助手；开发者平台侧有 Agora、LiveKit、Pipecat、Vercel 支持基于 Gemini API 部署。
面向普通用户的分发路径分两条：Flash TTS 进 Gemini Notebook，Flash-Lite TTS 进 Google Vids。
三、语音克隆的安全设计：30 秒 + 一句口头同意
这是整篇发布里限制最多、也最该讲清楚的部分。
克隆真人声音只需要大约 30 秒的样本，但前面加了一道闸门：必须提供声音本人录的一句口头同意，系统会先校验这段同意录音和参考说话人是否一致，通过之后才允许生成。
输出侧的约束是双层的：所有 Gemini Audio 模型生成的音频都带 SynthID 隐形水印，克隆出来的声音还额外带 C2PA 内容凭证。
地域限制值得留意——通过 AI Studio 做语音克隆，在伊利诺伊州、得克萨斯州、欧洲经济区、英国、瑞士和印度都不可用。
水印这件事也要客观看：《ElevenLabs AI 配音教程》里介绍过克隆声音的实际效果，而水印在音频被反复重编码之后会衰减；同意校验也只能拦住老实人。也就是说，这套机制解决的是”可追溯和可举证”，不是”防止被滥用”。真正防滥用的还是那一层——你的原始音频别乱传。
四、和 ElevenLabs 这类专业工具比，差在哪
语音合成不是新赛道。ElevenLabs、印度的 Murf AI 早已在做，Adobe 也在 8 月把语音生成加进了 Firefly。谷歌这次进场，优势和短板都很清楚：
优势：一是生态，音色能直接接进 Figma、HeyGen、Wondercraft 这些已经在用的工具链；二是价格结构，虽然官方页面没有公布任何美元标价，但按谷歌一贯的打法，Flash-Lite 档大概率会走低价高量；三是多语种覆盖广，130 种语言对做海外内容的团队是硬需求。
短板：一是企业采购通道还没开，10 到 200 人规模、没有专职开发的公司现在只能走 Agora、LiveKit 这类合作平台；二是音色质量控制的上限还需要实测，长音频的角色一致性目前只有官方说法；三是克隆功能的地域限制比竞品更严，中国大陆和欧洲开发者暂时用不上这条路径。
五、老达点评
一、谷歌把 TTS 的竞争点从”像不像人”换成了”好不好调度”。 逐行导演、非语言提示、双人脚本、音色可复用——这几项不是音质改进，是创作流程改进。对做播客、有声书、出海视频的人来说，工具能不能被编排，比某个音色像不像真人重要得多。
二、同意验证这道闸门，是这次最有价值的工程细节。 语音克隆被滥用的新闻每年都有，行业里的通行做法是事后声明，谷歌做的是事前校验。它拦不住所有人，但把”我授权过”变成了一个可验证的动作，这个思路值得被抄到视频换脸、声音翻唱这些场景里去。
三、”没公布价格”本身就是一条信息。 一个只在 API 层发布、企业通道还没开的产品，定价通常要等到企业侧谈完才落地。急着上生产的话，先按合作平台的报价做预算，别按 Gemini 主线的价格去估。
六、想试的话，四步走
- 去 Google AI Studio 挑一个现成音色，用一段 200 字的中文脚本试逐行导演，感受一下控制粒度。这一步零成本。
- 测你自己的长内容：拿一期已经录好的播客，转成脚本重跑一遍，重点听第 20 分钟之后有没有音色漂移。
- 多语种对照：同一份脚本分别跑中文和英文，判断值不值得替掉现在的外包配音。
- 克隆功能先别急：它需要本人录制同意声明，且在中国大陆不可用。如果你要的是自己的固定声线，先在本地留好原始录音，等通道开放。
如果只是做中文短视频配音，国内的选择也够用——阿里 Qwen3.8-Omni-Flash 把音视频输入的接口价格降了九成以上（《阿里 Qwen3.8-Omni-Flash 上线》），音画一体的活它更顺手。想要专业音色的，可以对照那篇《2026 年 AI 配音副业完全指南》里的接单路径，先看客户要什么再选工具。批量做视频的还可以顺手看看《达芬奇 21.1 原生接入 Claude 和 Codex》这类剪辑侧的变化，配音和剪辑正在同一批工具链里合流。
想跟谷歌这条产品线，站内那篇《Gemini 3.8 Flash 发布》讲的是本月早些时候的同族模型，可以和本篇对着看。更多工具类实测，见 AI 工具评测专题 和 老达 AI 实践专题。
