Gemini 3.8 文本转语音功能正式亮相
2026-09-27 · Google DeepMind
Gemini 3.8 文本转语音模型正式发布
谷歌于2026年9月23日推出了两款全新的文本转语音（TTS）模型：Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS。这两款模型将语音生成从静态预设转变为动态创意工作室，可在 Google AI Studio、Gemini API、Gemini Enterprise、Gemini Notebook 和 Google Vids 等平台使用。
两款全新模型
- Gemini 3.8 Flash TTS：专为深度创意指导和角色设计而生。用户可通过自然语言提示从零开始创建全新声音，并逐行指导表演，精细控制表演提示、节奏、方言转变和背景音。
- Gemini 3.8 Flash-Lite TTS：专为高并发、高性价比的大规模应用构建。针对大批量配音、音频内容创作和具有精细控制的表达型语音代理进行了优化。
创建与自定义声音
新模型支持从最初的30种声音扩展至无限的声音库：
- 生成式语音设计：使用自然语言提示，在100多种语言和方言中自定义角色、口音和声音特征。
- 海量声音库：提供超过2000种即用型声音，涵盖墨西哥西班牙语、魁北克法语和苏格兰英语等地区变体。
- 声音复制：仅需30秒音频样本即可重现一致的声音特征。内置同意验证、SynthID 水印和 C2PA 凭证以保护开发者与配音人才。
- 保存与扩展：保存并管理自定义声音，确保在持续项目中的一致性和最小偏移。
- 声音混音（即将推出）：从声音库中选择声音并微调音色、音高、语速和口音。
逐行导演表演
选定声音后，两款 TTS 模型均提供对每行台词的精确控制：
- 逐行导演：编写舞台指示或让 Gemini 根据脚本提示控制表达方式。
- 长文本生成：在数小时的连续音频中保持高音质、自然节奏和角色音色，且说话人偏移极小。
- 原生双人对话场景：通过单个脚本无缝指导多轮对话，同时保持两个声音的独立性和自然的对话交替。
- 脚本化声音爆发与背景音：使用非语言提示（如 `<laughs>`、`<sigh>`、`<gasp>`）和倾听时的插话（如 `|mhm|` 或 `|yeah|`）增加真实的对话质感。
安全与保障
为确保生成的音频被负责任地使用，谷歌在新模型中内置了安全工具，包括 SynthID 水印技术，以保护生成音频的安全性并防止滥用。