Gemini 3.8 文本转语音上线:可自定义并逐句“导演”的语音生成
摘要
谷歌发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS 两款语音生成模型,把语音合成从固定预设升级为可用自然语言创建音色、逐句导演表演的创作工具,并接入多个谷歌产品与 API。
核心要点
- 两条产品线分工明确:Gemini 3.8 Flash TTS 面向深度创作与角色设计,Flash-Lite TTS 面向高并发、低成本的配音与语音代理场景
- 支持从零创建全新音色,或通过自然语言提示复刻既有声音,音色库从原来的 30 种原声扩展到可无限扩展
- 可逐行导演音频表演,控制表演提示、语速节奏、方言切换以及对话中的“附和声”(backchanneling)等真实对话细节
- 落地渠道包括 Google AI Studio、Gemini API、Gemini Enterprise、Gemini Notebook 与 Google Vids,目标场景为有声书、播客、游戏、规模化配音与实时语音代理
- 内置水印等安全工具以约束生成音频的合规使用
原文佐证
- Gemini 3.8 Flash TTS and Gemini 3.8 Flash-Lite TTS are our most expressive audio generation models yet.
- Scale up from 30 original voices to an infinite library.
- We’ve included built-in safety tools like watermarking to keep your generated audio secure.
AI 洞察
语音合成的竞争焦点正从“像不像人”转向“好不好导演”——可控性、情绪与对话细节成为新的能力维度,这会直接冲击 ElevenLabs 等专业语音厂商的差异化空间。把模型同时铺进 API、企业版、Notebook 与 Vids,意味着语音能力被降格为可调用的基础层,价值向上层创作工具与工作流迁移。同时谷歌主动把水印写进发布说明,说明在深度伪造与版权监管压力下,安全溯源正从附加项变成入场券。