THE DECODER
1 个来源谷歌推出全新Flash TTS模型，可通过文本描述设计AI语音
谷歌推出了两款新的文本转语音模型：Gemini 3.8 Flash TTS和Flash-Lite TTS，支持超过100种语言。Flash TTS能够根据文本描述创建新语音，两款模型都允许用户为单行添加舞台指示，并从单个脚本生成双人对话。此外，语音克隆功能可通过30秒样本构建语音配置文件。
返回信息流
新闻事件
SynthePulse Insight · AI 深度解读会员精读
Google 把音色设计交给文本提示：Gemini 3.8 Flash TTS 的能力边界与成本账
版本 1 · 1 个来源
Google 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS，支持 100 多种语言、文本描述生成音色与 30 秒音频克隆，并给出按 token 计费的明确价目。但 Voice Remixing 尚未上线、区域端点未列出，实测音频还出现高频啸叫——能力扩张与工程成熟度之间存在明显落差。
- Google 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS 两款文本转语音模型，均支持 100 多种语言。
- Flash TTS 可用文本描述从零设计音色，语音克隆只需 30 秒音频样本，但被克隆者须录制口头同意声明且声音须与样本匹配。
- Google 提供超过 2000 种预设音色，含墨西哥西班牙语、魁北克法语、苏格兰英语等地区变体；Voice Remixing 已宣布但尚未上线。
展开章节目录一次发布，两条产品线：创作型与规模化
一次发布，两条产品线：创作型与规模化
Google 发布了 Gemini 3.8 Flash TTS 和 Flash-Lite TTS 两款文本转语音模型，两者均支持 100 多种语言。这是本次发布最基础的事实层：不是单一模型的迭代，而是同时铺开两条定位不同的产品线。
按 Google 的定位，Flash TTS 面向游戏角色、有声书、播客等创作场景，Flash-Lite TTS 则聚焦配音、音频内容和语音代理等低成本、规模化语音生成。这一分工决定了后续功能与定价的差异：创作型强调可控性与音色设计，规模化型强调单位成本。
两款模型共享一批基础能力：均可为每句台词添加舞台指示、支持双人对话模式，以及笑声、叹息等非语言声音。也就是说，脚本层面的表达控制是两条产品线的共同底座，而非 Flash TTS 独有。
从文本描述到 30 秒克隆：音色生产的两种入口
Flash TTS 的核心卖点是“从零设计音色”：用户用文本提示即可定义角色的角色定位、口音和声音特征，覆盖多种语言与方言。这相当于把音色生产从“挑选现成声音”变成“用自然语言描述声音”。
对于不想从零开始的用户，Google 提供超过 2000 种预设音色的音色库，包含墨西哥西班牙语、魁北克法语和苏格兰英语等地区变体。预设库与文本生成音色构成两条并行入口，前者降低上手门槛，后者提供差异化空间。
另一条入口是语音克隆：可从 30 秒音频样本构建声音档案。但这一能力附带明确的合规约束——被克隆者须录制一段口头同意声明，且该录音中的声音必须与样本匹配。这是把“授权”从流程声明变成了可校验的音频证据。
在溯源层面，据 Google 称，Gemini 音频模型生成的每段音频都带有不可听的 SynthID 水印，以帮助检测 AI 生成语音。需要注意，这是 Google 的自述，来源中并未给出该水印实际检测效果的独立评估。
可信度边界
本文事实基础来自 THE DECODER 的报道（article_id 18015），该报道引述 Google 官方信息并包含作者自测。其中，模型发布、语言覆盖、预设音色库规模、克隆同意约束、舞台指示与双人对话、分发渠道、开发者平台集成、区域端点缺失、Voice Remixing 未上线、定价表等属于已确认事实；SynthID 水印效果、极小说话人漂移、Hume AI 基准领先、免费层与付费层数据使用差异、按 token 换算的小时成本均标注为 Google 自述，来源中无第三方验证；高频啸叫与结尾音色变化为来源作者自测观察，样本量有限，不能推广为普遍结论。
主报道
THE DECODER
主报道来源