谷歌推出 Gemini 3.8 Flash / Flash-Lite 文本转语音模型，每一行台词都能精确控制
谷歌今日发布Gemini家族两款全新文本转语音模型，将语音生成从静态预设模式转变为动态创意工作室，助力创作者、开发者及企业打造更丰富、更具表现力的音频体验，同时提升Gemini Notebook和Google Vids等产品的用户体验。
两款新模型分别为Gemini 3.8 Flash TTS和Gemini 3.8 Flash-Lite TTS，各有侧重：
- Gemini 3.8 Flash TTS：面向深度创意与角色设计，可通过自然语言提示从头创建全新语音，应用于游戏、沉浸式有声读物、播客和互动媒体，赋予角色生命力，并支持对表演提示、节奏、方言转换等进行精细控制。
- Gemini 3.8 Flash-Lite TTS：面向大容量、高性价比的规模场景，针对大容量配音、音频内容创作和富有表现力的语音代理进行优化，可对音调、节奏和表现力细微差别进行精细控制。
用户可从原有30种原始语音扩展到无限语音库。该模型的功能包括：
- 生成式语音设计：通过自然语言提示，在100多种语言和方言中自定义角色、口音和语音特征，从头创建定制语音。
- 扩展语音库：访问2000多种现成语音，覆盖广泛语言，包括墨西哥西班牙语、魁北克法语、苏格兰英语等区域变体。
- 语音复制：仅需30秒音频样本即可重现一致的声音特征，并内置同意验证、SynthID水印和C2PA凭据，保护开发者与声音人才。
- 保存与扩展：保存和管理自定义语音，确保在持续项目中保持一致性，最小化漂移。
- 语音混音：即将推出，用户可从语音库中选择一种语音，对音色、音高、节奏和口音进行微调，还可使用提示调整特征。
选好声音后，两款TTS模型都能让用户精确控制每一行台词的演绎方式：
- 逐行指导表演：用户可以编写自己的舞台指导，或让Gemini通过自然脚本提示引导交付，无论是平静的客服还是低声的悬疑场景，都能实现。
- 长篇生成：在数小时的连续音频中保持高语音质量、自然节奏和角色音色，扬声器漂移极小，适合播客和有声读物。
- 原生双声音场景编排：从单个脚本中无缝指导多轮对话，同时保持两种声音清晰分离，实现自然的对话轮换。
- 脚本化声音爆发和背景反馈：添加非语言提示（如<laughs>、<sigh>、<gasp>）和主动倾听插入语（如mhm或yeah），实现精确的喜剧时机和反应节奏，增添逼真的对话质感。
性能方面，Gemini 3.8 Flash TTS在Hume AI的语音设计基准测试中（71.4分）总体排名第一，在口音建模方面（60.8分）也领先。
Gemini 3.8 Flash TTS和Gemini 3.8 Flash-Lite TTS能在不牺牲可靠性的情况下实现真正富有表现力的性能，在Hume AI的整体质量指数中分别占据第一和第二的位置，与Gemini 3.1 Flash TTS相比，在长格式内容和双扬声器剧本控制等广泛用例中都有重大改进。
在Voice Arena的盲法人类偏好评估中，Gemini 3.8 Flash和Flash-Lite TTS在全球主要语言（日语、巴西葡萄牙语、越南语、现代标准阿拉伯语、墨西哥西班牙语和印地语）竞争对手中占据领先地位。凭借对100多种语言的支持，这些模型帮助创作者、开发者和企业在全球范围内打造高质量的多语言语音体验。
谷歌在语音创建和复制功能中内置了严格保护措施，以保护语音人才、尊重身份并确保内容透明度。对于语音复制，系统利用同意验证：用户必须提供来自语音所有者的口头同意记录，与参考说话者匹配后才能创建语音。
Gemini Audio模型生成的每个音频片段都带有SynthID水印且难以察觉，被直接编织到音频输出中，确保可以检测到AI生成的语音，帮助防止错误信息。
即日起，开发者即可在Google AI Studio中体验这些新的语音生成功能。用户可以通过提示从头创建全新的声音身份，或复制自己的声音，然后将它们直接带入双扬声器剧本编辑器，逐行指导交付。
两款模型均已向开发者推送，可在Gemini API和Google AI Studio中使用；面向企业用户，很快将通过Gemini Enterprise中的API推出；面向所有用户，Gemini 3.8 Flash TTS可在Gemini Notebook中使用，Gemini 3.8 Flash-Lite TTS可在Google Vids中使用。
需要注意的是，通过AI Studio进行的语音复制在伊利诺伊州、德克萨斯州、欧洲经济区、英国、瑞士和印度不可用。爱游戏体育官网提醒用户关注相关区域限制。