谷歌于 9 月 23 日通过官方博客推出 Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS 两款文本转语音（TTS）模型，官方称其为"最具表现力的音频生成模型"。与以往只能从预设音色中选择不同，新模型允许用户用自然语言提示从零创建自定义声音，并逐行指挥台词的情感、节奏与语气，把语音生成从"静态预设"变成了"动态创作工作台"。

两款模型定位各异

• Gemini 3.8 Flash TTS：面向深度创意方向与角色设计。可用自然语言提示在超过 100 种语言和方言中创建全新角色声音，覆盖游戏、沉浸式有声书、播客与互动媒体等场景；支持对表演提示、节奏、方言转换等做逐行精细控制，还能编排双说话人对话场景，并在长篇内容中保持音色一致。
• Gemini 3.8 Flash-Lite TTS：面向高音量、高性价比场景，适合大规模视频配音、音频内容创作与高并发语音应用，在效率与表现力之间取得平衡。

核心能力：从"选音色"到"造声音"

据官方博客介绍，新模型的几个能力值得关注：

• 生成式声音设计：通过提示词定制角色、口音与声音特征，官方示例包括"来自墨尔本的高能量 DJ"、"尖锐单调的机器人音"甚至"会喷火的日本龙"。
• 庞大声音库与声音复刻：提供 2000 多个生产级现成声音；仅凭一段 30 秒的音频样本即可复刻一致的声音特征，并内置同意验证、SynthID 水印与 C2PA 凭证，保护声音所有者的权益。
• 逐行导演控制：可像写舞台指示一样指挥每一句台词，支持 <laughs>（笑声）、<sigh>（叹气）等非语言提示与 "mhm"、"yeah" 等附和式插话，实现精确的喜剧节奏与反应节拍。
• 原生双说话人场景：从单一脚本编排多轮对话，两个声音保持清晰分离与自然的轮流发言。

在基准测试上，官方称 Gemini 3.8 Flash TTS 拿下 Hume AI 语音设计基准（Voice Design Benchmark）综合第一（71.4 分），口音建模单项同样领先（60.8 分）；两款模型在 Hume 总体质量指数中分列第一、第二，并在 Voice Arena 盲测中于日语、巴西葡萄牙语、越南语、阿拉伯语（现代标准语）、墨西哥西班牙语与印地语等关键语言中位居前列。

已面向开发者开放

两款模型自发布当日起在 Gemini API 与 Google AI Studio 开放，并同步进入 Gemini Notebook 与 Google Vids 等产品；Gemini Enterprise 的企业 API 即将推出。谷歌同时宣布与 Figma、HeyGen、Linguana、Wondercraft 等公司合作，将这些模型接入全球配音与语音代理生态。

"These models enable creators, developers, and enterprises to create richer, more expressive audio experiences." —— Google 官方博客《Gemini 3.8 text-to-speech says hello》（2026-09-23）

影响

TTS 赛道长期被"音色库+拼接/参数合成"主导，Gemini 3.8 系列把"造声音"与"导演出声"下沉到开发者 API，可能显著降低游戏配音、有声书与播客的创作门槛；而 SynthID 水印与同意验证机制的捆绑，也为 AI 语音的滥用风险提供了可追溯方案。对于普通用户而言，随时用一段自然语言生成专属语音的时代，正在加速到来。