Google 发布 Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS

Google AI 官方 X 账号于 2026 年 9 月 23 日发布消息，宣布推出 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型。帖文提及一篇来自 blog.google 的配套文章“Gemini 3.8 text-to-speech says hello”，但所给来源并未给出该文章内容，因此无法交叉核对细节。

从传播数据看，该帖显示约 22.96 万次浏览，并有 135 条回复、209 次转发、2.1 千次点赞和 845 次收藏。这些数字说明发布获得了一定关注，但关注度本身不构成对模型能力的验证。

需要明确的是，本文所依据的来源只有 Google 官方发布内容。除该官方帖文外，没有第三方对上述能力或数字的独立验证。因此下文涉及的能力、语言数量、语音数量与音频时长等，均属厂商自述，而非经独立核验的结论。

Google 自称这两款是其迄今最具表现力的音频模型。这一表述属于厂商自我评价，来源中没有给出可量化的评测标准，也没有第三方对比数据，因此无法判断“最具表现力”相对于哪些模型、在何种任务上成立。

在覆盖面上，Google 称用户可跨 100 多种语言创建自定义语音，并称提供 2,000 多种可直接使用的现成语音供选择。这两个数字是本次发布中最具体的量化指标，但来源未说明具体清单、覆盖质量，也未说明这些语音是否全部可用。

换言之，100 多种语言与 2,000 多种语音目前只能作为 Google 的宣称来理解。它们是否对应实际可调用的完整能力，需要等官方文档或第三方测试才能确认。

Google 称该模型可指导来回对话，并逐行控制语音的表达方式。这意味着用户不只是输入一段文本等待合成，而是可以对对话走向和每一行的表达方式进行干预。

Google 还称可加入 <laughs> 等自然提示音，或 |mhm| 这类主动倾听的插话。这类提示音和插话如果按宣称生效，会直接影响合成语音的自然度与对话感。

在音频时长上，Google 称其能生成数小时一致、无故障的音频。这一表述同样缺少可量化的评测标准与第三方对比。逐行控制、对话指导以及 <laughs>、|mhm| 等提示的实际效果与支持范围，在来源中均未经验证。

Google 将 Gemini 3.8 Flash TTS 定位为可从零设计定制声音人格并具备逐行级控制、面向游戏、沉浸式有声书和播客等高保真创意制作的模型。这一定位对应的是对声音人格和表达细节要求较高的场景。

Google 将 Gemini 3.8 Flash-Lite TTS 定位为可自动实时调整语气与节奏、面向近实时语音代理、低成本规模化、大批量配音和批量音频创作的引擎。这一定位对应的是对成本和吞吐更敏感、对逐行精细控制要求相对较低的场景。

两款模型共享同一代际名称，但定位差异明显：一个强调从零设计声音人格与逐行控制，另一个强调自动调整语气与节奏、面向近实时与规模化。这种分工本身是 Google 的官方定位，而非第三方评测结论。

Google 称自发布当日起，开发者可在 Google AI Studio 和 Gemini API 中使用这两款模型。这是本次发布中时间最明确的一条上线信息，对应开发者侧的即时可用。

在消费者侧，Google 称消费者可在 Gemini Notebook 中使用 Gemini 3.8 Flash TTS、在 Google Vids 中使用 Gemini 3.8 Flash-Lite TTS。也就是说，两款模型在消费级产品中的落点并不相同，分别对应不同的产品场景。

Google 还称两款模型即将登陆 Gemini Enterprise。但“即将”没有给出明确时间表，具体上线时间与形态未知。此外，来源未说明模型是否以及何时在中国大陆等地区可用。

来源为社交媒体帖文，未提供定价、延迟、音频质量基准等可核验技术指标。对于文本转语音模型而言，这些指标往往直接决定其能否进入生产环境，但本次发布并未涉及。

两款模型的价格、速率限制与商用授权条款也未在来源中说明。对于计划将其用于批量配音、语音代理或商业内容制作的团队来说，这些信息的缺失意味着无法完成成本与合规评估。

此外，100 多种语言与 2,000 多种语音的具体清单、覆盖质量与是否全部可用尚不明确；Gemini Enterprise 上线的具体时间与形态未知；帖文提及的 blog.google 配套文章内容未在来源中给出，无法交叉核对细节。