Google 发布 Gemini 3.8 Flash TTS语音模型 让你像导演一样逐行指导配音

原文链接: https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-text-to-speech/ 来源: Google 发现于: 小互 · AI 解读站 · 2026/9/24 说明: 本文由 AIHot 自动聚合,并由 GLM 翻译为中文(保留全部代码与链接)


Gemini 3.8 text-to-speech 问好啦

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。你可以在 Google AI Studio、Gemini API、Gemini Enterprise、Gemini Notebook 和 Google Vids 中生成自定义角色语音,并执导场景对话。


Leland Rechis

集团产品经理

Alan Cowen

研究科学总监,谨代表 Gemini 音频团队

分享


一张文字卡片图片,上面写着“隆重推出 Gemini 3.8 Flash TTS 和 3.8 Flash-Lite TTS"


  • 查看《Gemini 3.8 text-to-speech 问好啦》,了解我们的新模型是如何工作的。
  • 通过简单的自然语言提示词,从零开始创建自定义语音,或复刻现有语音。
  • 逐行执导你的音频,掌控节奏、情感,甚至逼真的对话音效。
  • 将这些模型用于大规模生成高质量的有声书、播客或实时语音 Agent。
  • 我们内置了水印等安全工具,保障你生成音频的安全。

摘要由 Google AI 生成。生成式 AI 处于实验阶段。Google 刚刚推出了全新 AI 工具,让你可以从零开始创建和定制逼真的声音。你可以对这些声音进行“导演式”的调控,让它们完全按照你的设想发声,从口音到情感语调皆可掌控。它非常适合制作听起来像真人交谈的有声书、游戏或播客。此外,Google 还加入了安全功能,确保这些声音得到负责任的使用。

          摘要由 Google AI 生成。生成式 AI 处于实验阶段。#### 探索其他风格:今天,我们为 Gemini 家族推出两款全新的 text-to-speech 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,同时改进 [Gemini Notebook](https://notebook.google.com/) 和 [Google Vids](http://vids.new/) 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构建。使用自然语言 prompt 从零开始创造全新的声音,让角色在游戏、沉浸式有声书、播客和互动媒体中栩栩如生。可逐行指导每一段表演,并对表演提示、节奏、方言转换和 backchanneling 进行精细控制。
  • Gemini 3.8 Flash-Lite TTS: 专为大规模、高性价比的应用场景而构建。针对大批量配音、音频内容创作和富有表现力的语音 Agent 进行优化,可对语气、节奏和表达上的细微差别进行精细控制。

这些模型是对我们快速壮大的 Gemini Audio 家族的补充,继 3.5 Live Translate、3.5 Transcribe、3.8 Live 与 3.8 Live Extended Thinking 之后推出。

创建并定制你自己的声音

从 30 个原始声音扩展到无限的语音库。无论你需要的是完全原创的角色声音,还是始终如一的品牌代言人,我们的 3.8 Flash TTS 模型都能提供一个完整的语音工作室。这让你能够为每个场景创建并使用富有表现力、自然逼真的声音,同时助力开发者和企业轻松构建定制化的音频体验。

  • 生成式语音设计: 借助 Gemini 3.8 Flash TTS,你可以使用自然语言 prompt 来定制角色、口音和声音特征,在超过 100 种语言和方言中从零开始打造定制化声音——无论是让一条气势磅礴、口喷烈焰的巨龙活灵活现,还是塑造一位带有鲜明地域韵律、魅力十足的叙述者。

听听 Gemini 3.8 Flash TTS 如何生成来自墨尔本、活力四射的 DJ 声音。

听听 Gemini 3.8 Flash TTS 如何生成极其单薄尖细、语调单一的机器人声音。

听听 Gemini 3.8 Flash TTS 如何让一条日本龙活灵活现。

  • 丰富的语音库: 提供 2,000+ 个可直接投入生产的声音,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域变体。
  • 声音复刻: 只需 30 秒的音频样本(你本人的声音,或你拥有使用授权的声音),即可重建一致的声纹特征,并由内置的同意验证、SynthID 水印和 C2PA 凭证作为保障,同时保护开发者及其配音人才双方。
  • 保存与扩展: 保存并管理你设计的自定义声音,确保在持续进行的项目中保持一致的表演效果,并最大限度减少声音漂移。
  • 声音混音: 即将推出,你可以从我们的语音库中挑选一个声音,并微调其音色、音高、语速和口音。使用 prompt 来精细调校声音特征(例如“添加轻微的美国南方口音”或“让表达更柔和”)。

逐行执导语音表演

选好声音后,两款 TTS 模型都能让你精确掌控每一句台词的表达方式。

  • 逐行执导表演: 你可以撰写自己的舞台指示,也可以让 Gemini 通过自然的剧本提示来引导语音表达——从沉稳的客服 Agent,到低声耳语的悬疑场景。

听听 Gemini 3.8 Flash TTS 如何为交互式语音 Agent 带来自然且极富表现力的对话。

观看并聆听 Gemini 3.8 Flash TTS 如何运用精细的剧本控制,打造深度沉浸、引人入胜的音频体验。

  • 长文本生成: 在数小时的连续音频中保持高语音质量、自然的节奏和角色音色,几乎不会出现说话人漂移(speaker drift)——非常适合播客和有声书。
  • 原生双说话人场景编排: 仅凭一份剧本即可流畅执导多轮对话——无论是播客还是戏剧化叙事——同时让两个声音清晰区分,并呈现自然的对话轮替。
  • 剧本化发声与附和: 使用非语言提示(如 、、 )以及倾听附和语(如 |mhm| 或 |yeah|),为对话增添真实的质感,精准把控喜剧时机与反应节拍。

看看 Gemini 3.8 Flash TTS 如何从零开始,把自然语言提示塑造成定制化的语音人设。

观看 Gemini 3.8 Flash TTS 如何让创作者设计自定义场景,让动画对白栩栩如生。

看看 Gemini 3.8 Flash TTS 如何把剧本变成完整的对白表演场景,让创作者执导语音表达与自然的对话轮替。

获取为全球规模打造、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 的 Voice Design Benchmark(71.4)上斩获综合排名第一,并在口音建模(accent modeling)方面同样领先(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了真正富有表现力的语音表演,并在 Hume AI 的 Overall Quality Index 上分别斩获第一和第二。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 在多个关键全球语言中位居竞品前列,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。凭借对超过 100 种语言的支持,这些模型助力创作者、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。

  ![展示 Hume AI 文本转语音质量基准的评估图表](https://storage.googleapis.com/gweb-uniblog-publish-prod/images/blog-gemini-3.8-flash-tts__evals_.width-100.format-webp_21WnKg9.webp)







  
    










  ![展示 Hume AI 文本转语音语音设计排行榜的评估图表](https://storage.googleapis.com/gweb-uniblog-publish-prod/images/blog-gemini-3.8-flash-tts__evals_.width-100.format-webp_tbi15co.webp)

展示 Voice Arena 文本转语音排行榜的评估图表

以信任、授权和透明为核心构建

我们在构建语音创建与复刻功能时采用了严格的安全保障措施,以帮助保护配音演员的权益、尊重个人身份并确保内容透明。在语音复刻方面,我们的系统采用了授权验证机制:用户必须提供语音所有者的口头授权录音,且该录音需与参考说话人相匹配,才能创建语音。

更广泛地说,我们的 Gemini Audio 模型生成的每个音频片段都带有 SynthID 水印。这种难以察觉的水印直接融入音频输出中,确保 AI 生成的语音仍可被检测,从而帮助防范错误信息传播。有关我们在安全与责任方面做法的更多详情,请查阅模型卡。

试用我们全新的 Google AI Studio audio playground

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功能。它就像一个语音设计工作区,你可以通过提示词从零创建全新的声音形象,或复刻你自己的声音

1

,然后将其直接引入双说话人剧本编辑器中,逐行指导台词的演绎方式。

在 Google AI Studio 中试用语音复刻功能。

轻松部署高性能语音接口

借助 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的语音生成体验。

我们正在与 Figma、HeyGen、Linguana、Wondercraft、99.co 和 Ollang 等公司合作,这些公司正在集成我们最新的 TTS 模型,以帮助加速全球配音、通过细腻的地方口音实现媒体本地化,并大规模驱动对话式语音 Agent。

来自 99 Group 首席执行官兼联合创始人 Darius Cheung 的引言

来自 Agora 开发者布道师 Mason Adams 的引言

来自 Figma Weave 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 katsuyo 开发者 Luke Pane 的引言卡片

来自 kuku AI/ML 副总监 Ritwik Baranwal 的评价。

来自 linguana 联合创始人兼 CTO Oded Shafran 的评价

Ollang CTO 兼联合创始人 Aziz Ulak

来自 Spoken 创始人兼 CEO Phil Marshall 的评价

来自 Transforms.AI 联合创始人兼 CEO Zina Rahman 的评价

来自 Wondercraft CTO Mei Ki Yiu 的评价

立即开始使用我们最新的 Gemini Audio 模型:

Gemini 3.8 Flash TTS 即日起推出:

Gemini 3.8 Flash-Lite TTS 即日起推出:

在您的收件箱中获取 Google 最新资讯

订阅我们的新闻通讯,获取产品更新、活动信息、特别优惠等更多内容。

完成。还差最后一步。

请查看您的收件箱以确认订阅。

您也可以通过以下方式订阅。

您的信息将按照 Google 隐私政策 进行使用。您可以随时选择退订。

发布于: