Google 给 Gemini 家族加了两个新的文字转语音（TTS）模型：Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS。

以前用 TTS，流程基本是：从几十个预设声音里挑一个，把文字丢进去，出来一段念得还算顺的音频。想要"紧张一点""这句笑着说""对方在旁边嗯一声"，要么做不到，要么得后期剪。

这次 Google 想把这件事变成"配音工作室"：声音可以用一句话描述出来，也可以拿 30 秒录音复刻；每一句台词怎么演，可以像写剧本一样逐行标注；两个角色的对话、插话、叹气、笑声，一份脚本就能生成。

两个模型：一个管"演得好"，一个管"量大便宜"

两个模型分工很明确：

简单说：要做角色、做戏，选 Flash；要一天生成成千上万条配音或客服语音，选 Flash-Lite。Google 没有在发布博客里给出两者的价格。

值得注意的是，Flash-Lite 并不是"缩水版"。在后面会讲到的几项评测里，它和 Flash 的分数几乎贴着走，在英语等三种语言的盲听偏好里甚至排在 Flash 前面。

这两个模型属于 Google 正在扩充的 Gemini Audio 家族，之前已经有 3.5 Live Translate（实时翻译）、3.5 Transcribe（转写）、3.8 Live 和 3.8 Live Extended Thinking（实时语音对话）。

想要什么声音，用一句话描述出来

过去的 TTS 只能"选"声音，这次 Flash 可以"造"声音。Google 管这叫声音设计（Voice Design）：用自然语言写清角色、口音和声音特点，模型从零生成一个新声音，覆盖 100 多种语言和方言。

Google 放了几段示例，描述都很短：

• "墨尔本来的高能量 DJ"：生成的是一口澳洲腔的电台主持，语速快、情绪高，"All right, Melbourne... Heaps of great music on the way for you"，连 heaps 这种澳洲口语都带上了。
• "超级尖细、单调的机器人"：整段"alert alert system status report major malfunction..."没有任何起伏，就是老科幻片里的机器播报。
• "日本龙"：一条被打扰了沉睡的龙，自称「老夫」，用日语质问闯入者："你是小看了老夫的沉睡，还是……终究只是出于好奇？"

最直观的是一段游戏演示。传统游戏的角色定制通常只到外观，声音最多给几个预设。演示里，开发者在"Voice Design"输入框里写：

Deep gravely voice that shows he has been through many battles. Fast and booming. （低沉沙哑、听得出身经百战的声音，语速快、声如洪钟。）

点"Create Voice"，几秒后一个骑士声念出台词"You shall not pass these gates, demon, for I have battled worse than thee"。接着他把描述改成"音调高、带王族气质的公主"，同一句台词马上换成了公主的声音。玩家捏脸之后，也能"捏声音"了。

围绕"造声音"，还有几项配套：

• 声音库变大：原来 30 个预设声音，现在有 2000 多个可以直接用的声音，包括墨西哥西班牙语、魁北克法语、苏格兰英语这类地区变体。
• 存下来反复用：设计好的声音可以保存管理。做系列内容时这点很重要：第 1 集和第 50 集的主角得是同一个声音，Google 说能做到"漂移最小"。
• 声音微调（即将推出）：从声音库挑一个现成声音，再用提示词调音色、音高、语速和口音，比如"加一点美国南方口音""说得柔和一些"。

用一段录音复刻自己的声音

另一种"得到声音"的方式是声音复刻：拿一段你自己的声音，或者你有权使用的声音，生成一个能念任意文字的数字版本。博客写的是只需 30 秒音频样本；AI Studio 演示界面则建议录 20 秒左右的自然讲述，并提示"讲个故事，别念成单调的一条线"。

演示里的流程是这样的：

1. 录样本：照着界面给的一段短文（一个灯塔看守人望着海平线的小故事）读 20 秒左右。
2. 验证是你本人：再朗读一句同意声明："I am the owner of this voice and I consent to Google using this voice to create a synthetic voice model."（我是这个声音的主人，同意 Google 用它创建合成声音模型。）系统会核对这句同意录音和前面的样本是不是同一个人。
3. 生成并保存：分析完成后，复刻的声音会说一句"Hi there! I am your newly replicated voice"，你给它起个名字，存进自己的声音库，之后在 Gemini API 里调用。

第 2 步就是 Google 说的同意验证：声音主人必须亲口录一段同意，而且要和参考声音匹配，才能创建。这是为了防止有人拿别人的录音偷偷克隆。

另外，AI Studio 里的声音复刻目前在美国伊利诺伊州、得克萨斯州，欧洲经济区、英国、瑞士和印度不可用。在这些地区的开发者暂时用不上它。

像写剧本一样，告诉它每一句怎么演

选好声音后，两个模型都支持逐行导演：你在脚本里写舞台指示，告诉它这一句是嘟囔、是安慰还是耳语；也可以不写，让 Gemini 自己根据台词判断怎么念。

从 Google 的演示画面看，脚本里用了三种标记：

• 方括号 [ ]：表演指示。写在一句台词前面，说明语气和状态，比如 [whispering]（耳语）、[reassuringly]（安慰地），也可以写成一长串描述。
• 尖括号 < >：非语言声音。插在台词中间，比如 <sigh> 叹气、<laughs> 笑、<gasp> 倒吸一口气、<breath> 呼吸声。
• 竖线 | |：另一个人的插话和附和。比如 |mhm|、|yeah|，用来做"对方在旁边嗯一声"这种听者反馈（Google 叫 backchanneling，指对话里听的人发出的"嗯""对"这类回应），也能卡准笑点和反应的节奏。

先看一个单人客服的例子。同一个客服在四句话里换了四种状态：

Speaker 1: [muttering]
tu...tu...tu....hang on a second, let me find that order status <sigh>

Speaker 1: [reassuringly]
yeah....this order never really got delivered. Sorry for that. Let me update and reschedule this order....

Speaker 1: [whispering]
give me one moment...

Speaker 1: [warm][neutral][prosody="60%"]
I just updated the status and rescheduled the delivery.

听起来就像一个真人客服：边查边嘟囔、叹口气，发现问题后放软语气道歉，操作时小声说"稍等"，最后用平稳温和的语气告诉你搞定了。最后一行还出现了 [prosody="60%"] 这样的参数写法，博客没解释它具体控制什么，从字面看和语调、节奏的幅度有关。

再看一个双人恐怖场景，三种标记全用上了。两个人夜里在树林里，发现有东西跟着他们：

Speaker 1: [high-pitched and frantic, trying to rationalize while escalating into pure, unadulterated terror]
Maybe it's just a deer? |That's not| <breath> People say |That's not a deer.| it's always deer. <nervous laugh> But it's... it's staying right on the edge of the light. |Stop.| It's following us. <gasp> Look, right there |Where?| by the pine!

Speaker 2: [strangled and horrified, voice cracking as the realization of a threat sinks in]
I don't see... |There!| <gasp> Oh my god, what is |What is that?| that? <breath> It's too big. That's not |That's not| an animal. It's just standing there.

这里有两个细节很关键。

第一，表演指示写的是"情绪怎么变"，不只是一个静态情绪。"尖声慌乱，一边试图自我安慰，一边升级成纯粹的恐惧"，这是一整段表演弧线。后面还有"低声急促，咬着牙勉强保持镇定""抽泣崩溃，随着威胁逼近音量和语速越来越高"。

第二，竖线里的插话会和主台词重叠。Speaker 1 说"Maybe it's just a deer?"时，Speaker 2 已经在插嘴"That's not"。真人吵架、害怕、抢话时就是这样，一人一句轮流念的 TTS 做不出这种感觉。

这背后是几项底层能力：

• 原生双人场景：一份脚本直接驱动两人多轮对话，两个声音区分清楚，轮流和插话自然。适合播客对谈和广播剧。
• 长内容生成：连续生成数小时音频，音质、节奏和角色音色保持稳定，说话人漂移小。做有声书时，最怕的就是念到第十章主角声音变了。
• 非语言声音与插话：就是上面尖括号和竖线的能力，Google 专门强调可以用来卡喜剧节奏和反应点。

Google 还给了两个更完整的"导演"演示。

一个老警探的独白。一个叫 Monologue 的演示应用把独白拆成 16 段，每段上面有一行表演说明，比如"得意、放松，靠在金属椅上，慢悠悠带着笑意的布鲁克林腔""最大音量咆哮，青筋暴起，被背叛的愤怒""心碎，声音颤抖破音，强忍眼泪"。台词里夹着 <chuckle>、<short pause>、<breath>，甚至用音标 /kəˈnɑːrsi/ 标出地名 Canarsie 的读法，防止模型念错。结果是一个老警探从嚣张、到慌乱、到崩溃、最后交代线索的完整情绪弧线。

剧本围读（Table Read）。上传一个剧本，给每个角色分配声音（比如"温暖、有感染力的男中音"和"温柔、有同理心的女中音"），整场戏就被演出来。它的口号是："台词一个字不改，只改演法。"演示里，创作者把一句台词的舞台指示改成"抱怨但语速自然"，重新生成，同一句话就换了一种演法。对编剧和导演来说，这相当于随时有一组能反复试戏的配音演员。

如果你想自己试，可以照下面这个结构写脚本：先写说话人，再在方括号里写这一句的表演指示（包括情绪怎么变化），台词中间用尖括号插入非语言声音，用竖线写另一个人的插话。

Speaker 1: [表演指示：情绪、音量、语速，以及这一句里情绪怎样变化]
台词…… <sigh> 台词…… |另一个人的插话| 台词……

Speaker 2: [表演指示]
台词…… <laughs> 台词…… |mhm| 台词……

评测成绩：领先在哪，落后在哪

Google 引用了两家第三方评测：Hume AI 的榜单和 Voice Arena 的盲听投票。三张表都来自 Google 发布博客，数字越高越好。

第一张：Hume AI 声音设计榜，比的是"用文字描述造声音"这件事，只有三家参赛：Gemini 3.8 Flash TTS、ElevenLabs Voice Design v3 和 Inworld Voice Design。

总分 Gemini 第一，但只比 ElevenLabs 高 0.6，差距很小。真正拉开的是口音：60.8 对 45.4，高了 15 分以上。这和前面"墨尔本 DJ""苏格兰英语"这些例子对得上，想要特定地区腔调时它的优势最明显。反过来，"声音特质"这一项 Gemini 是三家里最低的。

第二张：Hume AI 质量榜，比的是 TTS 整体表现。总分的定义是"可靠性 × 表现力"，也就是既要念得稳，又要念得有感情；风格标签控制测的是单个标签的听话程度。

这张表能看出三件事：

• 比上一代进步很大：总分从 3.1 Flash 的 0.783 升到 0.920，多说话人从 3.60 升到 4.14，对应 Google 说的"双人剧本控制大幅改进"。
• Flash-Lite 几乎追平 Flash：每一项差距都在 0.07 以内。如果你的场景看重成本，Flash-Lite 的质量损失很小。
• "拟人变化"ElevenLabs 更强：这项衡量的是多轮对话里语气变化像不像真人，太平淡或太夸张都会扣分。ElevenLabs v3 拿了满分 5.00，Gemini 是 4.58；但在"可靠性 × 表现力"的总分上，ElevenLabs v3 只有 0.706。

第三张：Voice Arena 分语言盲听榜。真人听众在不知道是哪家模型的情况下投票，分数是由投票算出的相对排名分，看谁高谁低即可。参赛的外部模型有 ElevenLabs v3、Cartesia Sonic 3.6 和 OpenAI gpt-4o-mini-tts，下表只列每种语言里分数最高的那一家；OpenAI 在七种语言里都排最后（阿拉伯语为标准阿拉伯语 MSA，Cartesia 在日语、越南语、阿拉伯语没有成绩）。

七种语言，第一名全是 3.8 家族，但两兄弟各赢一半：Flash 赢日语、阿拉伯语、印地语、墨西哥西语；更便宜的 Flash-Lite 反而赢了英语、巴西葡语和越南语。在英语里，Flash 本身只排第三，比 Cartesia 还低 7 分。印地语上 Flash 也只比 Cartesia 高 2 分，基本打平，而且 Flash-Lite（1076）在印地语里还低于上一代 3.1 Flash（1086）。

优势最大的是日语：1232 分，比第二名高出 80 分。这和后面日语开发者的反馈对得上。

要注意，这三份榜单都是 Google 挑出来放在发布博客里的，比较对象和指标由它选择。领先的地方很真实，但也有 ElevenLabs 在"拟人变化""声音特质"上更强这类信息，只有看表才能发现。

已经在用它的公司，看重的是什么

Google 列了一批合作方。开发平台 Agora、LiveKit、Pipecat、Vercel 已经通过 Gemini API 接入，开发者可以在这些平台上直接用它搭语音应用。另有 Figma、HeyGen、Linguana、Wondercraft、99.co、Ollang 等在集成，主要做全球配音、带地方口音的本地化和语音 Agent。

从它们的引语看，大家看重的点比较集中：

• 日语准确度：Katsuyo（活用）的开发者说，别的模型要么"表演过头"，要么在日语的音高重音和汉字读音上出错，所以选了 3.8 Flash，情绪化内容和日常对话都最准、最自然。这和 Voice Arena 日语第一的成绩对得上。
• 地方口音：99 Group（99.co）在用它做实时 AI 电话对话，特别提到从新加坡式英语（Singlish）到印尼语的本地语言和口音支持。
• 声音一致性：这是出现最多的词。AI 视频平台 HeyGen 说它的用户已经创建了 2000 多万个自定义声音（这是 HeyGen 平台的累计数），新的声音设计让声音"更一致"；为 Simia 应用做角色和世界观的 Transforms.AI 说"声音够稳，才能撑起更深的故事"；做 YouTube 视频配音的 Linguana 强调规模化流水线需要的稳定性。
• 有声书：AI 有声书公司 Spoken 先让自己的系统分析书稿里的情绪、口音和角色，再交给 3.8 Flash 念出来，看重它"富有表现力的语调"和"大上下文窗口"。
• 规模化内容生产：播客和音频广告平台 Wondercraft 用的是 Flash-Lite，看重的是一致性和可控性足以支撑批量生产。

在哪能用

两个模型都已开始上线：

开发者最快的体验方式是 Google AI Studio 的语音生成。Google 把它做成了一个声音设计工作台：可以用提示词从零造声音，或者复刻自己的声音，然后直接拖进一个双人剧本编辑器逐行导演。

安全：同意验证和隐形水印

声音克隆最大的风险是被拿去冒充别人。Google 的做法有三层：

• 同意验证：复刻声音前，声音主人必须亲口录一段同意声明，并和参考声音匹配。
• SynthID 水印：所有 Gemini Audio 模型生成的音频都嵌入 Google 的 SynthID 水印。它人耳听不出来，但直接织进音频里，之后可以检测出这段语音是 AI 生成的，用来对抗虚假信息。
• C2PA 凭证：复刻的声音还带 C2PA 内容凭证，这是一个行业通用的"内容来源证明"标准，记录内容由谁、用什么工具生成。

更多安全细节，Google 放在了 Gemini 3.8 Audio 模型卡里。