谷歌推出Gemini 3.8系列文本转语音模型

IT之家 9 月 23 日消息，谷歌今日宣布，Gemini 家族新增两款全新文本转语音模型，将语音生成从静态预设转变为动态创意工作室，能够帮助创作者、开发者和企业打造更丰富、更具表现力的音频体验，同时为 Gemini Notebook 和 Google Vids 等产品改进用户体验。

两款新模型分别为 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS，定位各有不同：

• Gemini 3.8 Flash TTS：面向深度创意方向和角色设计，可通过自然语言提示从头创建全新语音，在游戏、沉浸式有声读物、播客和互动媒体中赋予角色生命力，还可对表演提示、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了优化，可对音调、节奏和表现力细微差别进行精细控制。

据IT之家了解，用户可以从原有 30 种原始语音扩展到无限语音库。该模型的具体功能包括：

• 生成式语音设计：可通过自然语言提示，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：可访问 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，保护开发者和声音人才。
• 保存与扩展：可保存和管理自定义语音，确保在持续项目中保持一致性能，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，非常适合播客和有声读物。
• 原生双声音场景编排：可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：可添加非语言提示（如 、、）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）位居总体第一，在口音建模方面（60.8 分）也处于领先地位。

Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 能够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，这些模型能够帮助创作者、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的保护措施，以帮助保护语音人才、尊重身份并确保内容透明度。对于语音复制，系统会利用同意验证：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，并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，开发者就可以在 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开始创建全新的声音身份，或者复制自己的声音，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。