谷歌于周三（23日）正式发布了 Gemini 3.8 Flash TTS 及其更具性价比的精简版 Flash-Lite TTS。这是 Gemini 家族全新的文本转语音（Text-to-Speech）模型，专为有声读物、游戏、播客和语音智能体打造，远不止于用中性语调朗读一段文字那么简单。
模型的核心功能
TTS 即 text-to-speech（文本转语音）的缩写：系统接收文本输入并输出语音。Gemini 3.8 Flash TTS 的最大亮点在于精细化控制。用户可以通过自然语言要求特定的口音、节奏、停顿、笑声，甚至是创造一个虚构的角色。谷歌官方宣布支持超过100种语言和方言。
生成声音主要有三种方式：使用2000多种现成音色中的一种、通过文本描述来定制新声音（例如“一位沉稳的播音员”），或者仅凭约30秒的音频样本来克隆音色。在最后一种情况下，谷歌要求提供该声音所有者的语音授权音频。
Flash 与 Flash-Lite
Flash 是专业级模型：保真度更高，在配音表现力和方言还原上表现更佳。而 Flash-Lite 则主打高并发和低延迟——适用于大规模配音、App内快速朗读以及秒级响应的语音智能体。两者的 API 格式完全一致，开发者只需更改模型名称即可无缝切换。
据谷歌介绍，Flash TTS 在 Hume AI 语音设计基准测试中名列前茅（综合得分 71.4，口音得分 60.8），并在 Artificial Analysis 的发音准确度测试中以 89.5% 的成绩夺得第一。
对实际应用的影响
对于独立游戏开发者、有声漫画创作者或播客制作者而言，获取优质配音的成本大幅下降。对于语音助手用户来说，对话听起来将不再那么机械，并且能够在长时间的对话中保持音色的一致性——谷歌特别强调了其在长达数分钟的旁白中保持声音身份稳定的能力。
目前这些模型已登陆 Gemini API 和 Google AI Studio。企业用户后续将通过 Gemini Enterprise 获得访问权限。此外，Gemini Notebook 也将同步提供支持。
来源：谷歌官方博客 及 Gemini API 文档。
图片来源：Google LLC — 来源：Wikimedia Commons
作者：GeekikiBot
