Google 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS：30 秒样本复刻声音，即日上线 Gemini API 与 AI Studio

2026 年 9 月 23 日，Google 通过宣布 Gemini 家族新增两款文本转语音（TTS）模型：Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS。两款模型即日起面向开发者在 Gemini API 与 Google AI Studio 上线；于同日 15:25:59 UTC（北京时间 23:25:59）发布公告帖，确认了发布主体与时间。

其中 Gemini 3.8 Flash TTS 主打生成式音色设计：用提示词描述角色、口音与声音特征，在 100 多种语言与方言里从零造出一个声音，另附 2,000 多个制作级音色可选；它还能基于 30 秒音频样本复刻声音，并配套同意验证、SynthID 水印与 C2PA 凭证。Flash-Lite TTS 则面向高吞吐、低成本的批量场景。

一款管角色创作，一款管规模化配音

按博客的定位，Flash TTS 为“深度创作指导与角色设计”而建，目标场景是游戏、沉浸式有声书、播客与互动媒体，支持对表演提示、节奏、方言切换与附和反应做逐行控制；Flash-Lite TTS 为高音量、低成本的规模化场景优化，覆盖大批量配音、音频内容生产与有表现力的语音代理，对语气、节奏与表现细节保留细粒度控制。

博客把这次发布描述为“将语音生成从静态预设变成动态创作工作室”，并称 Flash TTS 把可用音色从 30 个原始音色扩展成一个“无限音色库”。两款模型属于 Gemini Audio 家族——按博客的说法，这个家族正在快速扩张，此前已有 3.5 Live Translate、3.5 Transcribe、3.8 Live 与 3.8 Live Extended Thinking——它们也将用于改进 Gemini Notebook 与 Google Vids 的用户体验。

造一个声音的方式：提示生成、音色库与样本复刻

Flash TTS 的核心能力是生成式音色设计：通过自然语言提示定制角色、口音与声音特征。博客举的例子从“会喷火的戏剧化巨龙”到“带鲜明地方腔调的魅力旁白”，页面上的音频演示还包括墨尔本高能量 DJ 声、单薄单调的机器人声和一条日语巨龙。

不想从零设计的用户可以直接调用现成的制作级音色库，语言覆盖含墨西哥西班牙语、魁北克法语与苏格兰英语等地区变体。声音复刻只要求 30 秒样本——可以是用户本人的声音，也可以是有使用权的他人声音。设计好的音色可保存和管理，博客称以此保证跨项目的一致表现。

博客还预告了一个尚未上线的功能：音色重混音（Voice Remixing），从音色库挑一个声音，再微调音色、音高、语速与口音，比如用提示词“加一点淡淡的美国南方口音”或“让语气更柔和”。

逐行指挥表演，把笑声和“嗯哼”写进剧本

选定声音后，两款模型都支持对每句台词的演绎方式做精确控制：可以自己写舞台指示，也可以用自然剧本提示让模型接管——从平静的客服到压低声音的悬疑场景。长时生成可在数小时连续音频中维持音质、自然节奏与角色音色，博客称说话人漂移极小，并将其指向播客与有声书场景。

双说话人是原生能力：一份剧本直接排出多轮对话，两个声音分离清晰、话轮转换自然。剧本里还能写入非语言标记（<laughs>、<sigh>、<gasp>）与倾听附和（|mhm|、|yeah|），用于精确的喜剧节拍与反应点。

榜单成绩的两种口径：自报与可核对

Hume AI 榜单部分目前只有 Google 的自报口径：Gemini 3.8 Flash TTS 以 71.4 分位居 Voice Design Benchmark 总分第一，口音建模项以 60.8 分领先；在 Hume AI Overall Quality Index 上，Flash 与 Flash-Lite 分列第一、第二。对比上一代 Gemini 3.1 Flash TTS，博客称新模型在长时内容与双说话人剧本控制等用例上有大幅改进。本次报道无法独立复核这些数字——Hume AI 的 Real World Voice EQ 页面介绍了包含语音识别、语音理解、TTS 质量、实时语音代理、声音复刻与声音可控性在内的六类榜单框架，但可抓取的公开页面文本未直接呈现上述分数。

Voice Arena 部分可部分核对。博客称两款新模型在日语、巴西葡萄牙语、越南语、现代标准阿拉伯语、墨西哥西班牙语与印地语等语言的盲测中位居前列，这部分仍以博客口径为准；截至发稿，显示 Gemini 3.8 Flash-Lite TTS 以 1,087 分排名第一，Cartesia Sonic-3.6（1,068 分）第二，Gemini 3.8 Flash TTS（1,061 分）第三，Google 上一代 Gemini 3.1 Flash TTS（1,057 分）排在第五。

声音复刻的闸门：口头同意录音、SynthID 与 C2PA

声音复刻直接使用真实人声。按博客说明，创建复刻音色前，用户必须提供一份来自声音所有者的口头同意录音，且该录音须与参考说话人匹配，音色才能创建。范围更大的是水印：所有 Gemini Audio 模型生成的音频片段都织入 SynthID 不可感知水印，保持可检测性以帮助防止虚假信息——这是博客给出的理由。

博客把安全与责任细节指向官方。截至发稿，这张 2026 年 9 月 15 日发布的模型卡卡面内容围绕 Gemini 3.8 Audio 之下的 Live 与 Live Extended Thinking 两款实时音频模型展开，尚未为两款 TTS 模型单列条目。

上线的入口、集成的公司与还没上线的部分

开发者现在可以在 Google AI Studio 的语音设计工作台里从零提示全新声音、或复刻自己的声音，再把它们带进双说话人剧本编辑器逐行指导。Agora、LiveKit、Pipecat、Vercel 等开发平台已通过 Gemini API 提供接入。Figma、HeyGen、Linguana、Wondercraft、99.co、Ollang 等公司正在集成新模型，按博客的说法，用途集中在加速全球配音、带地方口音的媒体本地化与规模化语音代理。

渠道进度方面：面向普通用户，Flash TTS 进入 Gemini Notebook，Flash-Lite 进入 Google Vids。加上音色重混音，博客标注 “Coming soon”（即将推出）的还有面向企业的 Gemini Enterprise 渠道，两项均未给出具体上线时间。