认识 Gemini 3.8 TTS：从"选个音色"到"设计一个人"

先说一件让我挺羞耻的事。

我做播客三年多，最贵的成本不是麦克风，不是剪辑软件，是配音。

一集三十分钟，找人录，几百块起步；自己录，两小时打底，还得祈祷那几天别感冒。我也试过 AI 配音——结果你肯定猜到了：三秒钟就能听出来是机器。那种熟悉的、礼貌的、永远不带情绪的"播报腔"，像一个永远在念说明书的人。

问题从来不是"AI 能不能说话"，而是**"AI 能不能像某个人那样说话"**。

2026 年 9 月 23 日，谷歌冲着这个问题来了。

什么是 Gemini 3.8 TTS

Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS，是谷歌目前最具表现力的音频生成模型（官方原话：our most expressive audio generation models yet），由 Gemini Audio 团队发布，署名人是集团产品经理 Leland Rechis 和研究科学总监 Alan Cowen。

这个名字值得停一下。Alan Cowen 此前是主攻"情感人工智能（Empathic AI）"的初创公司 Hume AI 的创始人，今年才加入 Google DeepMind。让一个研究情绪的人来带语音项目，谷歌的意图基本写在脸上了——它要的不是字正腔圆，是情绪。

有意思的是，这次的跑分榜用的恰好就是 Hume AI 的基准。前创业者带着老东家的尺子来量新产品，这个画面本身挺有意思。

先分清两款：

• Gemini 3.8 Flash TTS：旗舰版，面向深度创意指导和角色设计。游戏、沉浸式有声书、播客、互动媒体。给你一整套"vocal studio"
• Gemini 3.8 Flash-Lite TTS：轻量版，面向高并发、成本敏感的规模化。批量配音、长视频配音、音频内容创作、客服语音智能体

一句话选型：要"演"，用 Flash；要"量"，用 Flash-Lite。

它有哪些特点

官方把能力拆成了好几块，我按"哪个最颠覆"排了个序。

• 生成式声音设计（Generative Voice Design）：这是最狠的一条。不用预先录任何东西，直接用自然语言描述角色，模型从零给你造一个声音出来。官方示例是"a dramatic, fire-breathing dragon"（一条戏很多的喷火龙），中文语境下你可以写"一个凌晨 2 点疲惫不堪、说英语带浓重德语口音的柏林人"。覆盖 100 多种语言和方言
• 从 30 个声音到无限声音库：官方原话是 Scale up from 30 original voices to an infinite library。以前你在下拉菜单里挑预设音色，现在你是在设计一个不存在的人
• 2000+ 生产级音色（Expansive voice library）：不想从零设计也行，直接挑现成的。值得一提的是它覆盖了区域变体——墨西哥西班牙语、魁北克法语、苏格兰英语。做过本地化的都知道，"西班牙语"和"墨西哥西班牙语"是两回事
• 声音复刻（Voice Replication）：30 秒参考音频就能重建一个稳定的声线画像。这个数字是这次发布里最让人后背发凉的一条，后面单说
• 逐行演绎（Direct performance line by line）：你可以自己写"舞台指示"，从"冷静的客服"一路切到"低语的悬疑场景"
• 非语言表达标记：脚本里直接插 <laughs>（笑）、<sigh>（叹气）、<gasp>（喘息），还有 |mhm|、|yeah| 这类附和词。做喜剧节奏和反应停顿，这些标记比调语速有用一百倍
• 原生双说话人（Native two-speaker scene staging）：一份脚本，直接生成两个人的对话，带自然的轮流说话。播客对谈、广播剧，以前要合成两次再剪，现在一次成型
• 长音频一致性：官方称可在数小时连续音频里保持音质、自然节奏和角色音色，说话人漂移最小。长音频最怕的就是说到后半段声音"变了一个人"
• 声音重混（Voice Remixing，即将推出）：选中一个音色，再单独微调音色、音高、语速、口音。可以用提示词改，比如"加一点轻微的美国南方口音"、"让表达柔和一些"

我的立场：这一堆能力里，真正改变工作流的是逐行演绎 + 原生双说话人。生成式声音设计很酷，但它更像玩具；而"一份脚本直接出双人对话"是能直接砍掉后期工时的东西。

能用它干嘛：几个真实场景

有声书与播客。 这是最直白的受益场景。以前一本三十万字的有声书，要么找配音演员录几十小时，要么用 AI 捏着鼻子听"播报腔"。现在可以一个脚本分配多个角色音色，逐行加情绪，数小时连续输出音色不漂。成本这块后面算，会让你有点意外。

游戏与互动媒体。 NPC 对话一直是块硬骨头——预录成本爆炸，而通用 TTS 又没有角色感。Flash TTS 的定位明确写了 gaming 和 interactive media，从零造一个"喷火龙"的音色，这在以前是不可能的。

全球化本地化配音。 这是 Flash-Lite TTS 的主场，也是我觉得商业价值最大的一块。谷歌点名的合作方里，Linguana、Ollang、Wondercraft、HeyGen、99.co、Figma 都在做全球配音和媒体本地化。当你能精准指定"墨西哥西班牙语"而不是笼统的"西班牙语"，一部剧集进拉美市场的观感完全不一样。

客服语音智能体。 这条容易被忽略，但可能是量最大的。Flash-Lite TTS 主打的就是"expressive voice agents"。以前的 IVR 语音你一听就想挂电话，因为它不会"听"——现在能插 |mhm| 这种附和标记，机器终于学会了在对话里点头。

渠道落地情况：

你是谁	用哪款	在哪用
开发者	两款都有	Gemini API、Google AI Studio
企业	两款都有	Gemini Enterprise（即将通过 API 开放）
普通用户	Flash TTS	Gemini Notebook
普通用户	Flash-Lite TTS	Google Vids

生态这边，Agora、LiveKit、Pipecat、Vercel 已经支持通过 Gemini API 构建和部署语音生成。如果你在做实时语音应用，不用自己搭管道了。

初体验：怎么上手

最省事的路径是打开 AI Studio 的语音生成工作区，选模型，输文本，听效果：

• Flash TTS：aistudio.google.com/generate-speech?model=gemini-3.8-flash-tts
• Flash-Lite TTS：aistudio.google.com/generate-speech?model=gemini-3.8-flash-lite-tts

开发者走 API，用 google-genai SDK，模型 ID 填 gemini-3.8-flash-tts 或 gemini-3.8-flash-lite-tts，大致是这么个结构：

from google import genai

client = genai.Client(api_key="YOUR_API_KEY")

response = client.models.generate_content(
    model="gemini-3.8-flash-tts",
    contents="""
    你好，这里是深夜电台。
    <sigh> 又是一个加完班的周二。
    |mhm| 我懂，真的懂。
    不过今晚的月亮不错，要不要听首歌？
    """,
    config={
        "speech_config": {
            "voice_config": {
                "prebuilt_voice_config": {"voice_name": "YOUR_VOICE"}
            }
        }
    },
)

几个上手建议：

• 别只用文字描述情绪，直接用标记。 <laughs>、<sigh>、|mhm| 这些标签的效果，比你写"请带着疲惫的语气说"要可控得多
• 先挑现成音色，再考虑造声音。 2000+ 生产级音色里大概率有能用的，从零设计留给真正需要"角色"的场景
• 双人对话用一份脚本。别手动拆成两段分别合成再拼，那样节奏会散
• 具体的参数以官方文档为准（aistudio.google.com/docs/speech-generation），音频模型这块迭代很快，参数名容易变

价格：一小时音频不到四块钱

这部分是我觉得最被低估的。

2026 年底前的 API 优惠价：

项目	Flash TTS	Flash-Lite TTS
文本输入	$0.50 / 百万 Token	$0.50 / 百万 Token
音频输出	$9.00 / 百万 Token	$6.00 / 百万 Token

谷歌给的折算是 1 秒音频 ≈ 25 个音频 Token。按这个算，连续生成一小时音频的纯输出费用：

• Flash TTS ≈ $0.81
• Flash-Lite TTS ≈ $0.54（折合人民币约 3.8 元）

即便 2027 年恢复标准价（Flash TTS 回到 $18 / 百万 Token，Flash-Lite 回到 $12 / 百万 Token），也仍在很低的水位。

三十分钟的一期播客，音频输出成本不到两块钱。三年前我为一集付费几百块。这个落差让我有点恍惚——当然，钱省了，活儿也卷了。

注意这是纯音频输出 Token 的理论折算，没算重试和其他开销。

跑分很漂亮，但别急着开香槟

成绩单确实硬：

• Hume AI Voice Design Benchmark：Flash TTS 综合 71.4 分，总榜第一；口音建模 60.8 分领先
• Hume AI Overall Quality Index：Flash TTS 第一，Flash-Lite TTS 第二
• Voice Arena 双盲偏好测试：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、印地语等语种位居前列

但 benchmark 不等于生产体验，几个已知的边界得提前知道：

• 部分高频段音频仍能观察到微小的合成杂音
• 极端长文本连续渲染的后期，少数样例出现轻微声线漂移
• 模型卡自己承认：仍可能出现偏离文本或发音异常，高负载下可能延迟或超时

还有两条限制必须提醒国内用户：

地区限制。 声音复刻功能在美国伊利诺伊州、德克萨斯州、欧洲经济区（EEA）、英国、瑞士、印度暂不开放。动手前先确认你的账号所在地。

声音复刻的门禁。 30 秒样本能复刻声线这件事，确实让人后背发凉。谷歌的防线是：被复刻者必须先录一段口头同意声明，系统把这段授权录音与参考音频做声纹比对，一致才允许生成。同时所有 Gemini Audio 生成的音频都织入了听不出来的 SynthID 水印，并附带 C2PA 数字凭证用于追溯。

30 秒。这是一个人发一条语音消息的时长。

技术往前走的时候，身份验证也得跟着往前走。谷歌这套"口头授权 + 声纹比对 + 水印追溯"的组合，是目前我见过相对认真的一种答案——但它也只是个开始。授权机制、责任认定、版权仲裁，这些恐怕要整个行业头疼很多年。

顺带一提：谷歌的音频全家桶

如果你在选型，别只盯着这一款。谷歌现在的音频产品线已经排得很满了：

• Gemini 3.8 Live / Extended Thinking（9 月 15 日）：实时语音对话，边说边干活
• Gemini 3.5 Transcribe（8 月）：语音转写，85+ 语言，流式词错误率 4.0%
• Gemini 3.5 Live Translate：语音到语音翻译
• Gemini 3.8 Flash TTS / Flash-Lite TTS（本次）：文本转语音
• Lyria：音乐生成

听写用 Transcribe，对话用 Live，念稿用 TTS，配乐用 Lyria。 别用错工具，四者的价格差着一个数量级。

最后两句实话

这次发布真正的转折点，不是 71.4 分，也不是一小时五毛四。

是那句 Scale up from 30 original voices to an infinite library。

过去十几年，TTS 的交互范式是选择——给你一个下拉菜单，你从里面挑一个"最接近的"。这个范式默认了一件事：你想要的声音，必须先存在。

Gemini 3.8 TTS 把范式换成了设计。你想要的声音不存在？那就造一个。给它一段人设描述，它给你一个人。

从"选"到"造"，这一步跨过去，配音这件事的性质就变了。它不再是一个资源调度问题（找谁录、什么时候录、多少钱），而变成了一个创作问题（这个角色应该是什么样的声音）。

至于那个让人不安的 30 秒——我倾向于这么看：能复刻声音的技术早晚会出现，区别只在于出现的时候，水印和授权机制有没有一起到位。 谷歌至少把这两样一起交付了。

先去 AI Studio 敲一段带 <sigh> 的台词听听。那声叹息值不值得，耳朵比 benchmark 表诚实。

进阶

更多开源技术干货和学习资料，关注公众号「遇码」，领取专属福利。