Gemini 3.8 Flash TTS 和 Flash-Lite TTS 上線

TL;DR

Google DeepMind 發布了 Gemini 3.8 Flash TTS 與 Gemini 3.8 Flash‑Lite TTS，這兩款全新的文字轉語音模型，讓創作者能生成自訂且富有表現力的聲音，並實現逐行精確的表演控制，同時為企業應用提供高容量、成本效益高的擴展能力。

Gemini 3.8 Flash TTS：創意聲音工作室

  • 目的：專為深度創意導向與角色設計而設計。
  • 功能：從自然語言提示生成全新的聲音，控制表演提示、節奏、方言轉換與回應式對話。
  • 使用情境：遊戲、沉浸式有聲書、播客、互動媒體，以及任何需要客製化角色聲音的場景。
  • 聲音資料庫：可存取超過 2,000 種已準備就緒的聲音，涵蓋 100 多種語言與方言，包括墨西哥西班牙語、魁北克法語與蘇格蘭英語等區域變體。
  • 聲音複製：僅需 30 秒樣本即可建立一致的聲線輪廓，內建同意驗證、SynthID 水印與 C2PA 憑證，以保護聲音演員權益。
  • 未來功能 – 聲音重混：計畫支援透過提示語微調現有資料庫聲音的音色、音高、節奏與口音。

Gemini 3.8 Flash‑Lite TTS：可擴展的高容量生成

  • 目的：針對高容量配音、音訊內容創作與富有表現力的語音代理進行優化。
  • 效率：在最小化成本與延遲的同時，提供對語調、節奏與細節的精細控制。
  • 目標情境：大規模媒體本地化、語音助理部署，以及任何需要快速、可靠語音合成的應用。

精確的逐行表演控制

  • 舞台指示：使用者可撰寫明確的劇本提示，或讓 Gemini 解讀自然語言指示以針對每行進行處理。
  • 長篇生成：在連續數小時的音訊中維持高品質聲線與極小的說話者偏移，非常適合播客與有聲書。
  • 雙角色場景佈置：支援原生多輪對話，並具備清晰的聲音分離，適用於對話驅動內容。
  • 語音爆發與回應式對話：允許插入非語言提示（例如 <laughs>、<sigh>）與主動聆聽的插話（|mhm|、|yeah|），以營造真實的對話質感。

基準性能與全球品質

  • Hume AI 聲音設計基準：Gemini 3.8 Flash TTS 總體排名第一（得分 71.4），在口音建模方面亦排名第一（得分 60.8）。
  • 整體品質指數：Flash TTS 獲得第一名，Flash‑Lite TTS 獲得第二名。
  • 人類偏好評估（Voice Arena）：兩款模型在關鍵語言中均取得頂尖表現，包括日語、巴西葡萄牙語、越南語、現代標準阿拉伯語、墨西哥西班牙語與印地語。
  • 多語言支援：支援超過 100 種語言，讓高品質語音體驗可在全球範圍內部署。

信任、同意與透明度保障措施

  • 同意驗證：聲音複製需取得聲音所有者提供的語音同意錄音，且須與參考講者相符。
  • 合成水印：每段音訊輸出均嵌入不可察覺的 SynthID 水印，確保 AI 生成語音可被識別，並有助於防止誤導資訊。
  • 模型卡片：Gemini 3.8 音訊模型卡片中提供詳細的安全與責任資訊。

存取與整合選項

  • Google AI Studio Playground：透過語音生成工作區立即體驗，支援聲音設計、複製與雙角色劇本編輯。
  • Gemini API：可與 Agora、LiveKit、Pipecat 與 Vercel 等平台整合，用以建構高性能語音介面。
  • 企業部署：Flash TTS 將透過 Gemini Enterprise API 提供；Flash‑Lite TTS 將透過 Google Vids 對終端使用者開放。
  • 合作夥伴部署：早期採用者包括 Figma、HeyGen、Linguana、Wondercraft、99.co 與 Ollang，利用這些模型進行配音、區域口音本地化與對話代理開發。

開始使用

  • 開發者：可透過 Gemini API 與 Google AI Studio 存取兩款模型。
  • 企業：即將透過 Gemini Enterprise API 上線。
  • 一般使用者：Flash TTS 將出現在 Gemini Notebook 中；Flash‑Lite TTS 將於 Google Vids 上提供。

所有資訊均直接取自 DeepMind 於 2026 年 9 月 23 日發布的部落格文章。

Sources