9月24日消息，谷歌宣布Gemini家族新增两款文本转语音模型——Gemini 3.8 Flash TTS和Gemini 3.8 Flash-Lite TTS，将语音生成从静态预设转变为动态创意工作室，帮助创作者、开发者和企业打造更丰富、更具表现力的音频体验，同时为Gemini Notebook和Google Vids等产品改进用户体验。
两款新模型定位各有不同：
Gemini 3.8 Flash TTS：面向深度创意方向和角色设计，可通过自然语言提示从头创建全新语音，在游戏、沉浸式有声读物、播客和互动媒体中赋予角色生命力，还可对表演提示、节奏、方言转换等进行精细控制。
Gemini 3.8 Flash-Lite TTS：面向大容量、高性价比规模场景，针对大容量配音、音频内容创作和富有表现力的语音代理进行了优化，可对音调、节奏和表现力细微差别进行精细控制。
用户可以从原有30种原始语音扩展到无限语音库。具体功能包括：
生成式语音设计：通过自然语言提示，在100多种语言和方言中自定义角色、口音和语音特征，从头创建定制语音。
扩展语音库：可访问2000多种现成语音，覆盖墨西哥西班牙语、魁北克法语、苏格兰英语等区域变体。
语音复制：仅需30秒音频样本即可重现一致的声音特征，内置同意验证、SynthID水印和C2PA凭据，保护开发者和声音人才。
保存与扩展：可保存和管理自定义语音，确保在持续项目中保持一致性能，最小化漂移。
语音混音：即将推出，用户可从语音库选择语音，微调音色、音高、节奏和口音，或使用提示调整特征。
选好声音后，两款模型均支持精确控制每行台词的演绎：逐行指导表演（可编写舞台指导或让Gemini通过自然脚本提示引导交付，从平静客服到低声悬疑场景均可实现）；长篇生成（在数小时连续音频中保持高语音质量、自然节奏和角色音色，扬声器漂移极小）；原生双声音场景编排（从单个脚本无缝指导多轮对话，两种声音清晰分离）；脚本化声音爆发和背景反馈（可添加<laughs>、<sigh>等非语言提示及mhm、yeah等倾听插入语，实现精确的喜剧时机和反应节奏）。
性能方面，Gemini 3.8 Flash TTS在Hume AI语音设计基准测试中以71.4分位居总体第一，口音建模（60.8分）同样领先。两款模型在Hume AI整体质量指数中分列第一、第二，较Gemini 3.1 Flash TTS在长格式内容和双扬声器剧本控制等用例中有重大改进。在Voice Arena盲法人类偏好评估中，两款模型在日语、巴西葡萄牙语、越南语、现代标准阿拉伯语、墨西哥西班牙语和印地语等全球主要语言中处于领先地位。
安全方面，谷歌在语音创建和复制功能中内置了严格保护：语音复制需提供语音所有者的口头同意记录，与参考说话者匹配后才能创建；Gemini Audio模型生成的每个音频片段都带有难以察觉的SynthID水印，确保可检测AI生成语音、防止错误信息。
即日起，开发者可在Google AI Studio中体验这些语音生成功能。两款模型均已向开发者推送，可在Gemini API和Google AI Studio中使用；企业版即将通过Gemini Enterprise中的API推出；Gemini 3.8 Flash TTS可在Gemini Notebook中使用，Gemini 3.8 Flash-Lite TTS可在Google Vids中使用。
需要注意的是，通过AI Studio进行的语音复制在伊利诺伊州、德克萨斯州、欧洲经济区、英国、瑞士和印度不可用。
微信扫一扫 
支付宝扫一扫 