谷歌发 Gemini 3.8 Flash TTS 双模型：自然语言造音色，30 秒克隆，2,000+ 预置音色

9 月 23 日，谷歌在官方博客发布 Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS，页面 JSON-LD 日期与 DeepMind 博客列表均为 9 月 23 日。这是 Gemini Audio 家族在 3.8 Live 系列之后新增的两款语音生成模型，覆盖 AI Studio、Gemini API、Gemini Enterprise、Gemini Notebook 与 Google Vids。

两款分工明确：Flash TTS 面向创作，用自然语言提示从零生成角色音色，覆盖 100 多种语言与方言，并能逐行下表演指令——语气、节奏、方言切换、接话（backchanneling）都可指定；Flash-Lite TTS 面向高并发场景，官方定位是配音、有声内容与语音智能体。音色复制只需 30 秒样本，内置同意校验、SynthID 水印与 C2PA 凭证；官方预置音色库 2,000 多个，自称从 30 个原始音色扩成「无穷库」。

它改变了什么：语音合成的竞争点从「音色库存」转向「导演能力」——当自然语言就能凭空造出可商用的声音，2,000 个预置音色这类存量优势随之贬值，而「克隆+水印+凭证」第一次打包进同一份模型发布。对照：阶跃 StepAudio 3（本站 9/15 收录）押的是实时交互与识别双榜，谷歌这次押的是创作控制。边界：官方未给任何第三方评测或对比数字，能力声明均为自报。

原文链接：谷歌官方博客