Gemini 3.8 Flash TTS 发布：声音库从 30 条扩到 2,000+，独立盲测排第二
Google 发布两款语音合成模型 Gemini 3.8 Flash TTS 与 Flash-Lite TTS：文本输入同价、音频输出差三分之一，声音库扩到 2,000 条以上，独立盲测排第二与第六。
Google 在 2026 年 9 月 23 日发布两款语音合成模型 Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS，当天开始铺开，开发者一侧先走 Gemini API 与 Google AI Studio。1公告由 Gemini Audio 团队的 Leland Rechis 与 Alan Cowen 署名，官方把这次升级概括成一句话：把语音生成从一个固定预设的清单，变成一个可以现场设计的录音棚。1
先说结论
- 两款模型分的是创作和走量。 Flash TTS 用来从零设计声音、逐行导演表演；Flash-Lite TTS 定位在高并发、低成本的大批量配音与语音代理。1
- 输入同价，输出音频差三分之一。 两款模型的文本输入都是每百万 tokens $0.50，音频输出 Flash TTS 为 $9.00、Flash-Lite TTS 为 $6.00；官方给的换算是每 10 秒音频约 $0.00225 与 $0.0015。2两者都在 2027 年 1 月 1 日按同样的节奏上调一档。2
- 开发者今天能用，企业侧要等。 Flash TTS 先上 Gemini API、Google AI Studio 与 Gemini Notebook，Flash-Lite TTS 先上 Gemini API、AI Studio 与 Google Vids；企业侧官方写的是「即将通过 Gemini Enterprise 的 API 提供」。1
- 独立盲测里排第二和第六。 Artificial Analysis 的 Provider Voice Arena 把 Gemini 3.8 Flash TTS 排在第 2 名（Elo 1264，2,024 票），Gemini 3.8 Flash-Lite TTS 排在第 6 名（Elo 1235，2,020 票）。3
快速核对
| 项目 | Gemini 3.8 Flash TTS | Gemini 3.8 Flash-Lite TTS | 来源 |
|---|---|---|---|
| 发布时间 | 2026 年 9 月 23 日 | 同日 | 官方博客 |
| 模型 ID | gemini-3.8-flash-tts | gemini-3.8-flash-lite-tts | Gemini API 模型目录 |
| 定位 | 声音设计、角色配音、长文与对手戏 | 高并发配音、成本敏感场景 | 官方博客 |
| 文本输入上限 | 8K tokens | 8K tokens | 官方模型卡 |
| 音频输出上限 | 64K tokens | 64K tokens | 官方模型卡 |
| 声音库 | 2,000+ 条成品声音，覆盖 100+ 语言与方言 | 同库可用，官方未单列 | 官方博客 |
| 声音克隆 | 30 秒音频样本 + 口头同意录音 | 官方未单列 | 官方博客 |
| 文本输入价 | $0.50 / 百万 tokens | $0.50 / 百万 tokens | Gemini API 价目页 |
| 音频输出价 | $9.00 / 百万 tokens，约 $0.00225 / 10 秒 | $6.00 / 百万 tokens，约 $0.0015 / 10 秒 | Gemini API 价目页 |
| 可用入口 | Gemini API、Google AI Studio、Gemini Notebook | Gemini API、Google AI Studio、Google Vids | 官方博客 |
| 企业侧 | 即将通过 Gemini Enterprise 的 API 提供 | 同 | 官方博客 |
| 透明度 | SynthID 水印、克隆需同意验证、C2PA 凭证 | 同 | 官方博客 、官方模型卡 |
| 参数规模 | 官方未披露 | 官方未披露 | 官方模型卡 |
两款模型的分工
Flash TTS 那一侧的能力清单更长。官方给了三条：用自然语言从零生成一个声音，把角色、口音和音色特征写进提示词，覆盖 100 多种语言与方言；从 30 秒的声音样本复刻一个稳定声线，样本必须来自本人或你有权使用的人，配套口头同意录音的验证；把设计好的声音保存下来复用，减少跨项目漂移。1声音库从原来约 30 条预设扩到 2,000 条以上，官方的例子包括墨西哥西语、魁北克法语与苏格兰英语这些地区变体。1
两款共有的能力是逐行导演：剧本里可以直接写表演提示，控制节奏、情绪与方言切换，也能加非语言的声音与「嗯」「对」这类应声词；官方另外强调长文生成的声线漂移更小，以及在一份剧本里原生调度两个人的对话。1
Flash-Lite TTS 的差别落在价格和场景上：输出音频每百万 tokens 便宜三分之一，官方把它的目标写成高并发配音、音频内容批量生产与语音代理。1官方标注为「即将推出」的 Voice remixing 还没有上线，那一项是在声音库里挑一条声线再微调音色、音高、语速和口音。1
价格：输出音频差三分之一，2027 年再上调
| 计价项（每百万 tokens，标准档） | Gemini 3.8 Flash TTS | Gemini 3.8 Flash-Lite TTS |
|---|---|---|
| 文本输入 | $0.50 | $0.50 |
| 音频输出 | $9.00 | $6.00 |
| 批量与 Flex 档的输入 / 输出 | $0.25 / $4.50 | $0.25 / $3.00 |
| 官方给出的音频换算 | 约 $0.00225 / 10 秒 | 约 $0.0015 / 10 秒 |
| 2027 年 1 月 1 日起的输入 / 输出 | $1.00 / $18.00 | $1.00 / $12.00 |
| 来源 | Gemini API 官方价目页 | Gemini API 官方价目页 |
按官方换算的每 10 秒 $0.00225 与 $0.0015 往下算，每分钟生成的音频大约是 $0.0135 与 $0.009，一百小时的成品音频对应 $81 与 $54 的量级。2把这段音频算成 token，官方给的比例是每秒 25 个音频 token，价格页没有按字符计费的档位。2
调价安排和 Gemini 3 系列其它模型一致：现在这套价格注明有效期到 2026 年 12 月 31 日，2027 年 1 月 1 日起输入涨到 $1.00、输出按各自一倍上调。2
官方引用的评测与第三方盲测
官方在公告里引用了两组第三方结果。Hume AI 的语音设计基准上，Gemini 3.8 Flash TTS 拿到总榜第一（71.4），口音建模一栏同样第一（60.8）；Hume AI 的整体质量指数上，Flash TTS 与 Flash-Lite TTS 分别占据第一和第二。1Voice Arena 的盲测人类偏好里，两款模型在日语、巴西葡语、越南语、现代标准阿拉伯语、墨西哥西语与印地语上都排在前列。1
独立发布的那一份来自 Artificial Analysis 的 Provider Voice Arena，榜单按盲测投票的 Elo 排序：Gemini 3.8 Flash TTS 第 2 名、1264 分、2,024 票，Gemini 3.8 Flash-Lite TTS 第 6 名、1235 分、2,020 票。3该页同时给出它换算的每百万字符价格，Flash TTS 为 $16.5、Flash-Lite TTS 为 $11.0，这个数字是榜单方按音频时长与 token 价折算出来的，官方价目表里没有按字符的档位。3
两份结果的性质不同。Hume AI 与 Voice Arena 的数字由 Google 在公告里引用，衡量的是偏好与设计能力；Artificial Analysis 的 Elo 是该站自己发布的盲测排名，衡量的是同一批场景下的人类偏好，两边都没有给出配音准确率、错字率这类客观指标。13
能用在哪，要改什么
- 入口分两层。 开发者今天可以在 Gemini API 与 Google AI Studio 里调用两款模型，Google AI Studio 还提供了一个语音设计与双人剧本的编辑器；消费端分别在 Gemini Notebook 与 Google Vids 里先落地。1
- 克隆声音有地区限制。 官方脚注写明通过 AI Studio 做声音复刻在伊利诺伊、得州、欧洲经济区、英国、瑞士与印度不可用；企业侧上线时间官方只写「即将」。1
- 克隆要过同意验证。 创建声线之前需要提交一段由声音所有者本人说出的同意录音，与参考说话人匹配后才允许生成；每次生成的音频都带 SynthID 水印。1
- 文本输入有上限。 官方模型卡给两款模型的输入上限是 8K tokens、音频输出上限 64K tokens，长篇剧本要分段送。4
- 生态接入已经铺开。 官方点名 Agora、LiveKit、Pipecat、Vercel 等平台已接入这两款模型，另有 Figma、HeyGen 等公司在做集成。1
该不该试：三条能自己核对的判断
- 按你要生成的小时数算一遍。 两款模型的文本输入同价，差距只在输出音频上：以上面的每分钟换算，一千小时成品音频对应 $810 与 $540 的量级，选创作档还是走量档先看这一栏。2
- 你的克隆场景在不在允许的地区。 伊利诺伊、得州、欧洲经济区、英国、瑞士与印度的团队通过 AI Studio 无法使用声音复刻，需要另找入口或者等企业侧开放。1
- 你的评测标准是偏好还是准确率。 现有第三方结果都是人类偏好与设计能力，如果你的验收标准是逐字准确率或专有名词发音，那是另一套测试，公告与榜单都没有覆盖。3
还没有的数字
References
- 1Gemini 3.8 text-to-speech says hello
blog.google
- 2Gemini API 官方价目页
ai.google.dev
- 3Artificial Analysis 文本转语音榜单
artificialanalysis.ai
- 4Gemini 3.8 Audio 官方模型卡
deepmind.google
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.