2026年9月23日

|

Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 是我们迄今为止最具表现力的音频生成模型。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话。


Leland Rechis

集团产品经理

Alan Cowen

研究科学总监,代表 Gemini 音频团队


图片 1:一张文字卡片图片,内容为“隆重推出 Gemini 3.8 Flash TTS 和 3.8 Flash-Lite TTS”

今天,我们为 Gemini 家族推出两款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、开发者和企业能够创建更丰富、更具表现力的音频体验,同时为 Gemini Notebook 和 Google Vids 等产品带来改进的用户体验。

  • Gemini 3.8 Flash TTS: 专为深度创意指导和角色设计而构建。使用自然语言提示从头创建全新语音,为游戏、沉浸式有声书、播客和互动媒体中的角色赋予生命。通过对话术提示、节奏、方言转换和反馈语的精细控制,逐行指导每一句表演。
  • Gemini 3.8 Flash-Lite TTS: 专为高容量、高成本效益的规模化而构建。针对大批量配音、音频内容创作和富有表现力的语音代理进行了优化,可对语气、节奏和表现力细微差别进行精细控制。

这些模型补充了我们快速增长的 Gemini 音频家族,此前已推出 3.5 Live Translate、3.5 Transcribe、3.8 Live 和 3.8 Live Extended Thinking。

创建并自定义你自己的语音

从 30 种原创语音扩展到无限语音库。无论你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。这使你能够为每个时刻创建并使用富有表现力、听起来自然的语音,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,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——无论你是在让一只戏剧性的喷火龙栩栩如生,还是在打造一位具有独特地域韵律的魅力旁白。

  • 丰富的语音库: 访问 2,000 多种可直接用于生产的语音,覆盖广泛的语言——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。

  • 语音复制: 仅需 30 秒的音频样本,即可根据你的声音或你拥有使用权利的声音重建一致的语音特征,并以内置的同意验证、SynthID 水印和 C2PA 凭证为后盾,保护开发者和他们的配音人才。

  • 保存和扩展: 保存并管理你设计的自定义语音,以确保在持续进行的项目中保持一致的表演和最小的漂移。

  • 语音混音: 即将推出,从我们的语音库中选择一个语音,并微调音色、音高、节奏和口音。使用提示来调整特征(例如“添加微妙的美国南方口音”或“让表达更柔和”)。

逐行指导表演

一旦你选定了语音,两款 TTS 模型都能让你精确控制每一行的表达方式。

  • 逐行指导表演: 编写你自己的舞台指示,或让 Gemini 通过自然的脚本提示来引导表达——从冷静的客服代理到低语的悬疑场景。

  • 长格式生成: 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,并将说话人漂移降至最低——非常适合播客和有声书。

  • 原生双说话人场景编排: 从单个脚本无缝指导多轮对话——无论是播客还是戏剧性叙事——同时保持两个语音清晰分离,并具有自然的对话轮替。

  • 脚本化语音爆发和反馈语: 使用非语言提示(如 、、)和积极倾听的插入语(如 |mhm| 或 |yeah|)添加逼真的对话质感,以实现精确的喜剧时机和反应节拍。

获取为全球规模打造的表现力高质量语音生成

Gemini 3.8 Flash TTS 提供领先的语音自定义能力,在 Hume AI 的语音设计基准测试中夺得总榜第一(71.4),并在口音建模方面领先(60.8)。

Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 在不牺牲可靠性的情况下实现真正富有表现力的表演,还分别在 Hume AI 的整体质量指数中夺得第一和第二名。与 Gemini 3.1 Flash TTS 相比,该模型在长格式内容和双说话人剧本控制等广泛用例上显示出重大改进。

在 Voice Arena 的盲测人类偏好评估中,Gemini 3.8 Flash 和 Flash-Lite TTS 在关键全球语言中跻身竞争对手前列,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。凭借对 100 多种语言的支持,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。

图片 2:一项展示文本转语音质量基准 Hume AI 的评估

图片 3:一张展示文本转语音语音设计排行榜 Hume AI 的评估图表

图片 4:一张展示 Voice Arena 文本转语音排行榜的评估图表

以信任、同意和透明为基础进行构建

我们构建语音创建和复制能力时采用了严格的保障措施,以帮助保护配音人才、尊重身份并确保内容透明度。对于语音复制,我们的系统利用同意验证:用户必须提供来自语音所有者的口头同意录音,且该录音与参考说话人匹配,然后才能创建语音。

更广泛地说,我们的 Gemini Audio 模型生成的每一段音频片段都通过 SynthID 嵌入了水印。这种不可感知的水印被直接编织进音频输出中,确保 AI 生成的语音仍可被检测,以帮助防止错误信息传播。有关我们安全与责任方法的更多详情,请查阅模型卡。

试用我们全新的 Google AI Studio 音频游乐场

从今天开始,开发者可以在 Google AI Studio 中体验这些全新的语音生成能力。它像一个语音设计工作区一样构建,你可以从零开始提示生成全新的声音身份,或复刻你自己的声音 1,然后将它们直接带入双说话人剧本编辑器,逐行指导语音表达。

在 Google AI Studio 中试用声音复刻。

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,他们正在集成我们最新的 TTS 模型,以帮助加速全球配音、以细腻的地区口音本地化媒体,并大规模驱动对话式语音代理。

Image 5: a quote from Darius Cheung, CEO and Co-Founder of 99 Group

Image 6: a quote from Mason Adams, Developer Evangelist, Agora

Image 7: a quote from Jonathan Gur-Zeev, Director of Product, Figma Weave

Image 8: a quote from Bin Liu, VP of Engineering for Hygen

Image 9: a quote card from Luke Pane, Developer, katsuyo

Image 10: quote from Ritwik Baranwal, Associate Director AI/ML of kuku.

Image 11: a quote from Oded Shafran, Co-Founder & CTO of linguana

Image 12: Aziz Ulak, CTO & Co-founder, Ollang

Image 13: a quote from Phil Marshall, Founder and CEO of Spoken

Image 14: quote from Zina Rahman, Co-Founder and CEO, Transforms.AI

Image 15: quote from Mei Ki Yiu, CTO of Wondercraft

开始使用我们最新的 Gemini Audio 模型:

Gemini 3.8 Flash TTS 从今天开始推出:

Gemini 3.8 Flash-Lite TTS 从今天开始推出:

在收件箱中获取 Google 的最新消息

订阅我们的新闻通讯,获取产品更新、活动信息、特别优惠等。

您的信息将根据 Google 隐私政策 使用。您可以随时选择退出。

本文内容采集自官方网站,排版和翻译可能与原页面存在差异。

阅读官方全文