Gemini 3.8 文本转语音模型发布

# Gemini 3.8 文本转语音功能正式发布 来源：https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-text-to-speech/ Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS 是我们迄今最具表现力的音频生成模型。用户可在 Google AI Studio、Gemini API、Gemini Enterprise、Gemini Notebook 及 Google Vids 中生成自定义角色声音并编排场景对话。 --- *Alan Cowen，研究科学总监，代表 Gemini 音频团队* --- 一张文字卡片图片，写着“介绍 Gemini 3.8 Flash TTS 与 3.8 Flash-Lite TTS” 今天，我们向 Gemini 家族推出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。这些模型让创作者、开发者和企业能够打造更丰富、更具表现力的音频体验，同时为 [Gemini Notebook](https://notebook.google.com/) 和 [Google Vids](http://vids.new/) 等产品带来更优的用户体验。 - **Gemini 3.8 Flash TTS**：专为深度创意指导和角色设计而生。通过自然语言提示从零开始创建全新声音，为游戏、沉浸式有声书、播客和互动媒体中的角色注入生命。可逐行指导表演，精细控制表演提示、节奏、方言切换和反馈性话语。 - **Gemini 3.8 Flash-Lite TTS**：专为高容量、成本效益规模而优化。适用于大规模配音、音频内容创作和表现力丰富的语音智能体，提供对语气、节奏和表现细节的精细控制。 这些模型延续了我们快速发展的 Gemini Audio 家族，此前已推出 [3.5 Live Translate](https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-live-3-5-translate/)、[3.5 Transcribe](https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-5-transcribe/)、3.8 Live 及 [3.8 Live Extended Thinking](https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-live-gemini-3-8-live-extended-thinking/)。 ## 创建并自定义您的专属声音 从 30 种原创声音扩展至无限声音库。无论是需要全新的原创角色声音，还是保持一致的品牌代言人，我们的 3.8 Flash TTS 模型都能提供完整的语音工作室。这使您能为每个场景创建并使用富有表现力、自然流畅的声音，同时帮助开发者和企业轻松构建自定义音频体验。 - **生成式声音设计**：借助 Gemini 3.8 Flash TTS，通过自然语言提示在超过 100 种语言和方言中自定义角色、口音和声音特征，从零开始创建定制声音——无论您是想让一条会喷火的戏剧性巨龙栩栩如生，还是塑造一位具有鲜明地域节奏感的迷人叙述者。 - **庞大的声音库**：访问 2000 多种已可用于生产环境的声音，涵盖广泛语言支持——包括墨西哥西班牙语、魁北克法语和苏格兰英语等地区变体。 - **声音复刻**：仅需一段您自己或您有权使用的声音的 30 秒音频样本，即可重建一致的音色档案，并借助内置的同意验证、SynthID 水印和 C2PA 凭证保护开发者和配音人才。 - **保存与扩展**：保存并管理您设计的自定义声音，确保在持续项目中保持一致表现并最小化音色漂移。 - **声音混音**（即将推出）：从我们的声音库中选择一个声音，微调音色、音高、语速和口音。使用提示词调整特征（例如“添加微妙的美国南方口音”或“柔化语气”）。 ## 逐行指导表演 选择声音后，两款 TTS 模型都能让您精确控制每一行台词的呈现方式。 - **逐行指导表演**：编写您自己的舞台指示，或让 Gemini 通过自然脚本提示引导呈现——从平静的客服代表到低语的悬疑场景。 - **长文本生成**：在数小时的连续音频中保持高质量语音、自然节奏和角色音色，且最小化说话人漂移——非常适合播客和有声书。 - **原生双说话人场景编排**：在单个脚本中无缝指导多轮对话——无论是播客还是戏剧性叙事——同时通过自然对话轮换让两个声音清晰区分。 - **脚本化语音爆发与反馈性话语**：使用非语言提示（如 [笑声]、[叹气]）和积极聆听的插入语（如“嗯哼”或“对”）添加真实的对话质感，实现精确的喜剧节奏和反应节点。 ## 获取为全球规模而生的富有表现力的高质量语音生成 Gemini 3.8 Flash TTS 提供领先的语音定制能力，在 [Hume AI](https://www.hume.ai/rw-voice-eq) 的语音设计基准测试中以 71.4 分位居第一，并在口音建模（60.8 分）方面领先。 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 实现了真正富有表现力的表演，同时不牺牲可靠性，在 Hume AI 的整体质量指数中分别获得第一和第二名。 与 Gemini 3.1 Flash TTS 相比，该模型在长文本内容、双说话人剧本控制等广泛用例上展现出显著改进。 在 [Voice Arena](https://voicearena.com/tts-leaderboard/us-english) 的盲评人类偏好评估中，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、墨西哥西班牙语和印地语等关键全球语言中位居竞争对手前列。 支持超过 100 种语言，这些模型让创作者、开发者和企业能够在全球范围内构建高质量的多语言语音体验。 文本转语音质量基准评估图 Hume AI 文本转语音语音设计排行榜评估图 Hume AI 语音转语音 Voice Arena 排行榜评估图 ## 以信任、同意和透明度构建 我们在创建和复刻声音的能力中内置了严格的保护措施，以帮助保护配音人才、尊重身份并确保内容透明度。 对于声音复刻，我们的系统利用同意验证：用户必须提供由声音所有者录制的口头同意音频，且该音频需与参考说话人匹配，才能创建声音。 更广泛地说，我们 Gemini Audio 模型生成的每个音频片段都带有 [SynthID](https://deepmind.google/models/synthid/) 水印。这种不可感知的水印直接嵌入音频输出中，确保 AI 生成的语音可被检测，有助于防止错误信息传播。 有关我们安全与责任处理方法的更多详情，请查阅[模型卡](https://deepmind.google/models/model-cards/gemini-3-8-audio/)。 ## 试用我们全新的 Google AI Studio 音频体验区 从今天起，开发者可以在 [Google AI Studio](https://aistudio.google.com/generate-speech?model=gemini-3.8-flash-tts) 中体验这些[新的语音生成](https://aistudio.google.com/docs/speech-generation)能力。 作为语音设计工作区构建，您可以从零开始通过提示词创建全新的声音身份，或复刻您自己的声音¹ (https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-text-to-speech/#footnote-1)，然后直接将它们引入双说话人剧本编辑器，逐行指导呈现。 在 Google AI Studio 中试用声音复刻。 ## 轻松部署高性能语音接口 通过使用 Gemini API，开发者平台如 [Agora](http://docs.agora.io/en/ai/models/tts/gemini)、[LiveKit](https://docs.livekit.io/agents/models/tts/gemini/)、[Pipecat](https://docs.pipecat.ai/api-reference/server/services/tts/google#geminittsservice)、[Vercel](https://vercel.com/docs/ai-gateway/modalities/text-to-speech) 使开发者能够轻松构建和部署高性能的语音生成体验。 我们正与 Figma、HeyGen、Linguana、Wondercraft、99.co 和 Ollang 等公司合作，他们正在集成我们最新的 TTS 模型，以助力加速全球配音、通过细微的地区口音本地化媒体内容，并大规模驱动对话式语音智能体。 > *来自 99 集团首席执行官兼联合创始人 Darius Cheung 的引言* > *来自 Agora 开发者布道者 Mason Adams 的引言* > *来自 Figma 产品总监 Jonathan Gur-Zeev 的引言* > *来自 Hygen 工程副总裁 Bin Liu 的引言* > *来自开发者 Luke Pane 的引言* > *来自 kuku AI/ML 副总监 Ritwik Baranwal 的引言* > *来自 linguana 联合创始人兼首席技术官 Oded Shafran 的引言* > *来自 Ollang 首席技术官兼联合创始人 Aziz Ulak 的引言* > *来自 Spoken 创始人兼首席执行官 Phil Marshall 的引言* > *来自 Transforms.AI 联合创始人兼首席执行官 Zina Rahman 的引言* > *来自 Wondercraft 首席技术官 Mei Ki Yiu 的引言* ## 开始使用我们最新的 Gemini 音频模型： **Gemini 3.8 Flash TTS** 从今天起逐步推出： - **面向开发者**：通过 [Gemini API](https://aistudio.google.com/docs/speech-generation) 和 [Google AI Studio](https://aistudio.google.com/generate-speech?model=gemini-3.8-flash-tts) - **面向企业用户**：即将通过 [Gemini Enterprise](https://docs.cloud.google.com/gemini-enterprise-agent-platform) API 提供 - **面向所有用户**：在 [Gemini Notebook](https://notebook.google.com/) 中 **Gemini 3.8 Flash-Lite TTS** 从今天起逐步推出： - **面向开发者**：通过 [Gemini API](https://aistudio.google.com/docs/speech-generation) 和 [Google AI Studio](https://aistudio.google.com/generate-speech?model=gemini-3.8-flash-lite-tts) - **面向企业用户**：即将通过 [Gemini Enterprise](https://docs.cloud.google.com/gemini-enterprise-agent-platform) API 提供 - **面向所有用户**：在 [Google Vids](http://vids.new/) 中 ## 在您的收件箱中获取 Google 最新资讯 订阅我们的通讯，获取产品更新、活动信息、特别优惠等更多信息。您的信息将根据 [Google 隐私权政策](https://policies.google.com/privacy) 使用。您可以随时选择退出。