Gemini 3.8 Flash TTS：音色变成可生成的对象，每分钟 1.35 美分的价只写到 2026 年底

2026 年 9 月 23 日，Google 发布两款语音合成模型 Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS，官方称这是他们「最有表现力的音频生成模型」，同一天在 Gemini API、Google AI Studio 上线，并进入 Gemini Notebook 与 Google Vids1。

这次发布值得单独拿出来读的地方有两处。一是音色本身变成了可以生成、可以复刻、可以当作 ID 管理的东西，工作流从「从菜单里挑一个」变成「先造一个再带着走」；二是官方自己贴出的评测表里，有两行它不是第一，而那两行恰好是「像不像人」最直接的读数。

Gemini 3.8 TTS 的语音来源现在是四种：30 个预置录音棚音色、Extended Voice Library、声音设计（Voice design）与声音复刻（Voice replication）2。后两种是这一代新开的——被它替代的 gemini-3.1-flash-tts-preview 在这两项上都标着不支持3。

两条创建路径的接口分别是 POST /v1beta/voices 的 type="prompted" 与 type="replicated"，都能返回一个持久的 voice_... ID，可以直接当成 speech_config 里的 voice 传下去2。声音复刻的门槛写在文档里：需要同一位成年说话人的两段真人录音，一段 10–30 秒的参考音频，加一段按指定句式念出的同意声明（30 个语种各有指定句子，英文那句是 "I am the owner of this voice and I consent to Google using this voice to create a synthetic voice model."）4。官方博客说的「30 秒样本」是这段参考音频的上界。

真正改变工程习惯的是这两类音色有额度和有效期：

音色因此是项目里带生命周期、可以用 voices.list()、voices.get()、voices.delete() 管理的资源，不是一次性参数4。周更或年番这类要跨月复用同一把嗓子的项目，得自己管住续期和替换。

配套的提示词习惯也换了。官方文档把「Audio Profile」「Director's Notes」这类多段人设描写列为声音漂移的最常见来源，建议的做法是在声音设计里把角色一次做出来，之后每轮只带 voice_... ID 加一个很短的 style，多数请求甚至不需要 style2。

还有一条硬约束值得先知道：单次请求里的双说话人对白只支持预置音色；要用自己设计或复刻的音色做多角色对话，得按轮分别合成，再把 24 kHz 的 PCM 帧拼起来2。官方把「原生双说话人场景编排」写进了发布页，但自定义音色那条路要自己搭。

音色的总数，两份官方材料给的量级不一样：博客写「2,000+ 生产可用音色」1，接口文档写的是 30 个预置音色，加上 Extended Voice Library 再提供「数百个」2。哪个口径对，GET /v1beta/voices 一次就能问清楚。

「类人变化度」这一行官方给了方向说明：数值越低，表示比真人更呆板或更夸张；5.00 是这八个系统里的最高分。

于是「最有表现力」这句话落到坐标里是这样的：综合分（可靠性 × 表现力）0.920 第一，多说话人 4.14 第一，风格标签控制 4.34 第一；但同一张表里最接近真人变化的那一行，最高分归 ElevenLabs v3 的 5.00，Gemini 的 4.58 排在它和自家对话版（4.97）之后。

第二张表把同一件事摊得更开。声音设计的综合分（英语）71.4 排在 ElevenLabs Voice Design v3 的 70.8 与 Inworld 的 69.8 之前，口音这一行 60.8 对 45.4 和 35.8 是整张表里差距最大的一处；但「声音质量」这一行 74.6 落在 ElevenLabs 的 76.6 与 Inworld 的 76.3 之后5。

这两张表的评测口径也写在方法页上：用生产检查点、默认采样参数、单次生成（pass@1），在受控听音小组与盲比竞技场里做5。分数由 Hume AI 这套基准产出，Hume AI 本身是一家做语音 AI 的公司，其基准公开在 arXiv:2607.14846（2026 年 7 月）6。这是第三方在跑，不是自评；但发布页只放了自家领先或追平的行与语种，不是全量榜。

把它放进榜单里读得更准：Voice Arena 的美式英语榜现在的前五名里，这两款占了两个位置。

三处读法比名次本身有用。

第一，前五名的名次区间（1–4、1–5、1–5、1–6、2–5）全部互相重叠。按榜单自己的规则，名次区间重叠就是统计打平8。能说的是它在前五里占了两席，不能说它拉开了差距。

第二，便宜的那一档排在贵的那一档前面。Flash-Lite 1087、Flash 1061，两者的区间是 1072–1102 对 1049–1073，几乎相接。这不是孤例：官方那张七语种表里，Lite 在英语、巴西葡语、越南语上领先，Flash 在日语、阿拉伯语 MSA、印地语、墨西哥西语上领先5。文档给的差别是定位而非能力：两款在单说话人、双说话人、声音设计、声音复刻四项上都打勾，Flash 走录音棚级创意与方言，Lite 走高吞吐、低延迟与复刻2。

第三，这张榜测的不是这次的新能力。方法页写明它只评各家官方目录里的音色、不评声音克隆；还明确列了不测的东西：延迟、实时率、每字或每分钟成本、复刻相似度、语音识别的准确率、语音智能体端到端表现8。所以「声音设计」与「声音复刻」好不好用，这张榜给不出答案；它榜上 Gemini 两条的延迟列也是空的7。

还有一处口径差值得顺手记住：官方表里 Gemini 3.1 Flash TTS 的英语是 1051，榜上实时是 1057，OpenAI 那款从 940 变成 92957。榜单在持续累积投票，官方那张表是发布当时的一次快照，票数少的模型区间也更宽。

定价页是按 token 报的，好在 TTS 两节下面都写同一条脚注：1 秒音频对应 25 token9。一分钟就是 1,500 token，把每百万 token 的价乘 1,500，每分钟的钱就出来了。

账单几乎全在输出音频上。输入文本按 $0.50 每百万 token 算，一万英文词约 1.3 万 token，成本约 $0.0065；同一万词合成成一小时音频，按 Flash TTS 现价是 $0.81。

真正需要留意的是这一代两档挂的都是限时价。定价页写明 $9.00 与 $6.00 的有效期到 2026 年 12 月 31 日，2027 年 1 月 1 日起变成 $18.00 与 $12.009。把它和被替代的 gemini-3.1-flash-tts-preview（输出 $20.00，页面上没有截止日）放在一起：

两款模型各另有三档调用方式：Batch 与 Flex 是标准价的一半，Priority 是 1.8 倍9。博客把大批量配音列为用途1，那种场景走 Batch 才是实际单价——Flash-Lite 的 Batch 档折算下来是每分钟 $0.0045。

单次生成的输出上限，两份官方页写得不一样。 模型卡写的是这两款模型「音频，输出 64K token」10，模型页给的是输出 token 上限 16,384、输入 8,1923。按 25 token/秒折算，16,384 约合 10.9 分钟，65,536 约合 43.7 分钟——官方没有直接给时长上限，这个换算是本文做的。它决定一章有声书要切成几段：博客把「数小时连续音频、说话人不漂移」写进卖点，而在任一条上限下，数小时都必须靠多次请求续接，续接的具体做法官方文档没有写。

声音复刻有地区限制。 博客的脚注写明，通过 AI Studio 做声音复刻在美国 Illinois 与 Texas，以及 EEA、英国、瑞士、印度不提供1。

输出格式换了默认值，升级会碰到。 3.8 的 TTS 在非流式请求下默认返回带 RIFF 头的 WAV，而 3.1 及更早的 TTS 默认返回无头的裸 PCM；如果你的代码里自己包过 WAV 头，升级时要把它去掉，需要裸 PCM 就显式指定 audio/l163。另外两款模型都有真正的流式返回（默认是无头 16 位 PCM 分块），实时级联场景用得上2。

它们只能文本进、音频出。 模型页把函数调用、搜索接地、URL 上下文、Live API 全部标为不支持3。做实时语音智能体要自己把识别、对话、合成拼成级联；发布页列的 Agora、LiveKit、Pipecat、Vercel 就是这类拼装层1。

语种数也有两处口径。 博客写「超过 100 种语言和方言」1，模型页给的是 Flash TTS 130 种、Flash-Lite TTS 101 种311——如果目标语种只落在 Lite 的名单里，这一条是选型依据。

安全口径可以一并收在这里：每段生成的音频都织入 SynthID 不可感知水印，复刻产物带 C2PA 凭证，创建复刻音色前必须过同意验证112。模型卡写明 Gemini 3.8 Audio 基于 Gemini 3 Pro，这一次的前沿安全评估沿用 Gemini 3.7 Flash 的结论——未触及受追踪或临界能力等级，依据是 3.8 Audio 相对 3.7 Flash 没有实质新能力或显著性能提升；已知限制列出幻觉、仍在改进的越狱抵抗、偶发的变慢或超时，知识截止为 2025 年 1 月10。

带走的：音色变成了带额度和有效期的项目资源，设计靠提示词、复刻靠 10–30 秒样音加同意声明，每项目 200 个、保留 1 年，接之前先想清楚谁来管它的生命周期。官方表里它赢的是综合分与口音，类人变化度与声音质量两行的最高分仍归 ElevenLabs；第三方榜上它在前五占了两个位置，但前五名统计上打平，而且那张榜不覆盖这次的两个新能力。每分钟 0.9 到 1.35 美分是限时价，2027 年 1 月 1 日翻倍，届时相对它要替代的那一代只剩 10%（Flash）与 40%（Flash-Lite）的优势。

要等的：延迟数字——公开材料里没有，Voice Arena 也明确不测，而官方把实时语音智能体列为用途之一18；单次输出上限的最终口径（模型卡 64K 对模型页 16,384）；音色总数的最终口径（博客 2,000+ 对接口文档的「数百个」）；以及数小时长音频的续接做法与说话人一致性，目前只有官方一句「无漂移」的自述。