Gemini 3.8 Flash 文本转语音（Gemini 3.8 Flash TTS）与 Gemini 3.8 Flash-Lite 文本转语音（Gemini 3.8 Flash-Lite TTS）是迄今最具表现力的音频生成模型，可在 Google AI 工作室（Google AI Studio）、Gemini 笔记本（Gemini Notebook）等平台生成自定义角色声音并导演场景对话。2026年9月23日，我们引入这两款新模型，将语音生成从静态预设转为动态创意工作室，使创作者等打造更丰富音频体验，改进 Gemini 笔记本与谷歌 Vids（Google Vids）的用户体验。Gemini 3.8 Flash 文本转语音专为深度创意与角色设计，可用自然语言从零创建新声音。
正文
今天我们推出两款 Gemini 系列的新文本转语音模型，将语音生成从静态预设变为动态创意工作室。这些模型让创作者、开发者和企业能打造更丰富、更具表现力的音频体验，并改善 Gemini Notebook 和 Google Vids 等产品中的用户体验。
- Gemini 3.8 Flash TTS： 为深度创意指导和角色设计打造。用自然语言提示从零创建全新声音，让游戏、沉浸式有声书、播客和互动媒体中的角色活起来。可逐行指导每句表演，精细控制演技提示、节奏、方言转换和反馈应答。
- Gemini 3.8 Flash-Lite TTS： 为高产量、低成本高效益的规模而生。针对大规模配音、音频内容创作和富有表现力的语音代理优化，可精细控制语调、节奏和表现细微差别。
这些模型补充了我们快速成长的 Gemini 音频家族，继 3.5 Live Translate、3.5 Transcribe、3.8 Live 和 3.8 Live Extended Thinking 之后推出。
创建并定制你自己的声音
从 30 个原始声音扩展到无限声音库。无论你需要完全原创的角色声音还是一致的品牌代言人，我们的 3.8 Flash TTS 模型都提供完整声音工作室。这让你随时创建和使用富有表现力、自然的嗓音，并让开发者和企业轻松构建自定义音频体验。
- 生成式声音设计： 使用 Gemini 3.8 Flash TTS，通过自然语言提示，在 100 多种语言和方言中定制角色、口音和声音特征，从零打造专属声音——无论是让戏剧性喷火巨龙说话，还是塑造带有独特地区韵律的魅力旁白。
- 庞大声音库： 可使用 2000 多个制作就绪的声音，广泛覆盖语言——包括墨西哥西班牙语、魁北克法语和苏格兰英语等区域变体。
- 声音复刻： 仅需 30 秒你本人或你有权使用的声音样本，即可重建一致的声音档案，并内置同意验证、SynthID 水印和 C2PA 凭证，保护开发者与配音人才。
- 保存与扩展： 保存并管理你设计的自定义声音，确保持续项目中表现一致且最小漂移。
- 声音混音： 即将推出，从声音库选声并微调音色、音高、速度和口音。用提示微调特征（如“加一点美国南方口音”或“柔化表达”）。
逐行指导表演
选定声音后，两款 TTS 模型都能精确控制每句台词的呈现。
- 逐行指导表演： 写下你自己的舞台指示，或让 Gemini 用自然脚本提示引导表达——从冷静的客服代理到耳语悬疑场景。
- 长格式生成： 在数小时连续音频中保持高音质、自然节奏和角色音色，说话人漂移最小——适合播客和有声书。
- 原生双 speaker 场景编排： 从单一脚本无缝指导多轮对话——无论是播客还是戏剧叙事——同时保持两种声音清晰分离与自然轮流说话。
- 脚本化声音爆发与反馈应答： 使用非语言提示（如
、 、 ）和主动倾听插话（如 |mhm| 或 |yeah|）增加真实对话质感，实现精确喜剧时机和反应节拍。
面向全球规模的高表现力高质量语音生成
Gemini 3.8 Flash TTS 提供领先的语音定制能力，在 Hume AI 的 Voice Design Benchmark 上获总榜第一（71.4），口音建模也领先（60.8）。
Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS 在保持可靠性的同时实现真正表现力表演，在 Hume AI 总体质量指数上分列第一和第二。相比 Gemini 3.1 Flash TTS，该模型在长内容、双 speaker 剧本控制等广泛用例上有重大改进。
在 Voice Arena 的盲测人类偏好评估中，Gemini 3.8 Flash 和 Flash-Lite TTS 在日语、巴西葡萄牙语、越南语、现代标准阿拉伯语、墨西哥西班牙语和 Hindi 等关键全球语言中位居竞品前列。支持 100 多种语言，这些模型助力创作者、开发者和企业在全球构建高质量多语言语音体验。
以信任、同意和透明为基础构建
我们构建声音创建与复刻能力时采用严格保障，保护配音人才、尊重身份并确保内容透明。声音复刻使用同意验证：用户必须提供声音所有者的口头同意录音，且与参考说话人匹配，才能创建声音。
更广泛地，Gemini 音频模型生成的每个音频片段都带 SynthID 水印。这隐形水印直接织入音频输出，确保 AI 生成语音可被检测，助防虚假信息。更多安全与责任方法详见 model card。
试用新的 Google AI Studio 音频工作区
从今天起，开发者可在 Google AI Studio 中体验这些新语音生成能力。它如同声音设计工作区，你可从零提示全新声音身份或复刻自己的声音，然后直接带入双 speaker 剧本编辑器逐行指导表达。
在 Google AI Studio 试试声音复刻。
轻松部署高性能语音接口
通过 Gemini API，Agora、LiveKit、Pipecat、Vercel 等开发者平台让开发者轻松构建部署高性能语音生成体验。
我们与 Figma、HeyGen、Linguana、Wondercraft、99.co、Ollang 等公司合作，它们集成我们最新 TTS 模型，加速全球配音、用细腻区域口音本地化媒体，并大规模驱动对话语音代理。
开始使用我们最新的 Gemini 音频模型：
Gemini 3.8 Flash TTS 从今天开始推出：
- 开发者：通过 Gemini API 和 Google AI Studio
- 企业：即将通过 API 在 Gemini Enterprise 推出
- 所有人：在 Gemini Notebook 中
Gemini 3.8 Flash-Lite TTS 从今天开始推出：
- 开发者：通过 Gemini API 和 Google AI Studio
- 企业：即将通过 API 在 Gemini Enterprise 推出
- 所有人：在 Google Vids 中
评论
社区对谷歌 Gemini 3.8 Flash 语音合成评价分化：多数肯定其声库规模与可控性进步，少数实测指出发音仍带人工智能痕迹且提示遵循差；分歧主轴围绕技术演示惊艳与发布落地草率间的落差。
认为语音库庞大且风格控制力空前
- 长期追踪语音合成的用户对比多家服务后称赞当前效果最佳，且有同人创作者欣赏其精细分配声线与脚本化控制（较多人）
- > 多年来从 WaveNet 用到 Fish.audio，这效果真是顶尖（@LarsDu88）
认为实际输出仍显人工智能痕迹且常忽略提示
- 听众反馈尾音夸张、声线通用，演示中核心指令被遗漏，判断语音演员短期安全（较多人）
- > 技术虽惊人，但结果常不贴近提示，例子里关键部分完全被无视（@burkaman）
担忧语音克隆助长诈骗与同意机制黑箱
- 克隆功能需简短同意录音，但用户怕录音留存滥用，并预想将来接到人工智能冒充亲友电话（较多人）
- > 以后除了人工智能邮件，还会收到人工智能冒充我联系人的电话（@talon8635）
批评区域限制、定价缺失与三平台能力错位
- 实测遇报错、无中性声线、用例空洞，且消费、准专业、云端的可用性与模型能力不一致，版本号泛滥却基础文档模糊（较多人）
- > 谷歌人工智能发布在三平台无对齐，滚动文末才见不同可用性，能力竟也不一致（@rcr-anti）
期待本地离线方案与阅读类产品集成
- 多人询问开源本地模型、批量有声书成本，或希望植入书城与安卓助手，有人已用轻量显卡跑通本地全角色朗读（较多人）
- > 希望 Google Books 应用也用上这系统，现在的语音太陈旧（@xnx）
有价值的补充
- 有开发者展示本地托管网页应用，用 Gemma 4 与 Qwen3 语音设计模型在八吉字节显卡上实现九成七准确率引语归属检测与角色嗓音自动填充，无云端代币（@thangalin）
- 有用户 vibe 编码试验界面，称对话模式有趣且多数实验花费不到一分钱（@simonw）
- 嵌入式超小语音模型库体积小于一兆，虽机械但适合边缘设备（@maelito）