Gemini 3.8 文本转语音向你问好

Sep 23, 2026

|

Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 是我们迄今最具表现力的音频生成模型。可在 Google AI Studio、Gemini API、Gemini Enterprise、Gemini Notebook 和 Google Vids 中生成自定义角色语音并指导场景对白。

Leland Rechis

集团产品经理

Alan Cowen

研究科学总监，代表 Gemini 音频团队

今天，我们向 Gemini 家族引入两款全新的文本转语音模型，将语音生成从静态预设转变为动态创意工作室。这些模型使创作者、开发者和企业能够打造更丰富、更具表现力的音频体验，同时提升 Gemini Notebook 和 Google Vids 等产品中的用户体验。

• Gemini 3.8 Flash TTS：专为深度创意指导和角色设计而打造。使用自然语言提示从零开始创建全新语音，让角色在游戏、沉浸式有声书、播客和互动媒体中栩栩如生。逐行指导每一段表演，对表演提示、节奏、方言切换和附和回应进行精细控制。
• Gemini 3.8 Flash-Lite TTS：专为大规模、低成本高效场景打造。针对大批量配音、音频内容创作及富有表现力的语音代理进行了优化，支持对语调、节奏和表现力细节进行精细控制。

这些模型补充了我们快速增长的 Gemini Audio 产品家族，继 3.5 Live Translate、3.5 Transcribe、3.8 Live 和 3.8 Live Extended Thinking 之后推出。

创建并自定义您自己的语音

从 30 种原始语音扩展到无限语音库。无论您需要完全原创的角色语音还是一致的品牌代言人，我们的 3.8 Flash TTS 模型都能驱动完整的语音工作室。这使您能够为每个时刻创建和使用富有表现力、自然逼真的语音，同时赋能开发者和企业轻松构建自定义音频体验。

• 生成式语音设计：借助 Gemini 3.8 Flash TTS，您可以通过自然语言提示，在 100 多种语言和方言中自定义角色、口音和语音特征，从零开始创建专属语音——无论是让一条戏剧性的喷火龙栩栩如生，还是打造一位具有鲜明地域韵律的迷人旁白者。

• 丰富的语音库：可访问 2,000 多个可直接用于生产的语音，语言覆盖广泛——包括墨西哥西班牙语、魁北克法语和苏格兰英语等地方变体。
• 语音复刻：仅需您本人或您拥有使用权的语音的 30 秒音频样本，即可重建一致的声纹档案，并内置同意验证、SynthID 水印和 C2PA 凭证，以保护开发者及其配音人才。
• 保存与扩展：保存并管理您设计的自定义语音，确保在持续进行的项目中表现一致、漂移最小。
• 语音混音：即将推出，从我们的语音库中选择一个声音，并微调音色、音高、语速和口音。使用提示词来调整特征（例如"添加微妙的美国南方口音"或"让表达更柔和"）。

逐行指导演出

一旦您选好了声音，两款 TTS 模型都能让您精确控制每一句台词的演绎方式。

• 逐行指导表演：编写你自己的舞台指示，或让 Gemini 通过自然的剧本提示来引导演绎——从一位冷静的客服代表到一段耳语般的悬疑场景。

• 长音频生成：在数小时的连续音频中保持高音质、自然的语速节奏和角色音色，说话人漂移极小——非常适合播客和有声书。
• 原生双人对白场景编排：通过单一脚本无缝执导多轮对话——无论是播客还是戏剧化叙事——同时保持两种声音清晰区分，并具备自然的对话轮替。
• 脚本化语音爆发与附和反馈：使用非语言提示（如 <laughs>、<sigh>、<gasp>）和积极倾听的插入语（如 |mhm| 或 |yeah|）来增添真实的对话质感，实现精确的喜剧节奏和反应节拍。

获取为全球化规模打造的富有表现力的高质量语音生成

Gemini 3.8 Flash TTS 提供领先的声音定制能力，在 Hume AI 的语音设计基准测试中位列综合第一（71.4），并在口音建模方面同样领先（60.8）。

Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 在保持可靠性的同时实现了真正富有表现力的演绎，并分别在 Hume AI 综合质量指数上位列第一和第二。与 Gemini 3.1 Flash TTS 相比，该模型在长内容、双角色剧本控制等多种使用场景上均有显著提升。

在 Voice Arena 的盲测人类偏好评估中，Gemini 3.8 Flash 和 Flash-Lite TTS 在包括日语、巴西葡萄牙语、越南语、现代标准阿拉伯语（MSA）、墨西哥西班牙语和印地语在内的主要全球语言中，位居竞争对手前列。凭借对超过 100 种语言的支持，这些模型赋能创作者、开发者和企业在全球范围内构建高质量的多语言语音体验。

以信任、同意和透明为基础构建

我们在构建语音创建和复制功能时，设置了严格的安全保障措施，以帮助保护语音人才、尊重身份并确保内容透明性。在语音复制方面，我们的系统采用同意验证机制：用户必须提供与参考说话人匹配的语音所有者的口头同意录音，之后才能创建语音。

更广泛地说，我们 Gemini Audio 模型生成的每个音频片段都带有 SynthID水印。这种不可感知的水印直接嵌入音频输出中，确保 AI 生成的语音仍可被检测，以帮助防止错误信息传播。有关我们在安全和责任方面的方法的更多详情，请参阅模型卡片。

试试我们全新的 Google AI Studio 音频游乐场

从今天起，开发者可以在 Google AI Studio 中体验这些新的语音生成功能。该工具如同一个语音设计工作区，你可以从零开始通过提示词生成全新的声音身份，或复制你自己的声音 ¹ ，然后将它们直接带入双角色剧本编辑器中，逐行指导演绎。

在 Google AI Studio 中体验语音复制。

轻松部署高性能语音界面

通过使用 Gemini API，Agora、LiveKit、Pipecat、Vercel 等开发者平台使开发者能够轻松构建和部署高性能语音生成体验。

我们正在与 Figma、HeyGen、Linguana、Wondercraft、99.co 和 Ollang 等公司合作，它们正在集成我们最新的 TTS 模型，以加速全球配音、用细腻的地域口音实现媒体本地化，并大规模驱动对话式语音智能体。

开始使用我们最新的 Gemini 音频模型：

Gemini 3.8 Flash TTS 从今天起开始推出：

• 面向开发者：在 Gemini API 和 Google AI Studio 中
• 面向企业：即将通过 Gemini Enterprise 中的 API 提供
• 面向所有人：在 Gemini Notebook 中。

Gemini 3.8 Flash-Lite TTS 即日起开始推出：

• 面向开发者：在 Gemini API 和 Google AI Studio 中
• 面向企业：即将通过 Gemini Enterprise 的 API 推出
• 面向所有人：在 Google Vids 中

在您的收件箱中获取 Google 的最新新闻

订阅我们的新闻通讯，获取产品更新、活动信息、特别优惠等内容。

您的信息将按照Google 的隐私政策。使用。您可以随时选择退出。