Google 推出 Gemini 3.8 Flash TTS 模型，支援文字提示詞設計語音

Google 推出 Gemini 3.8 Flash TTS 與 Flash-Lite TTS 兩款全新語音生成模型，支援超過 100 種語言，創作者可透過文字提示詞或簡短音訊樣本生成客製化聲音。

Google 發表 Gemini 3.8 Flash TTS 與 Flash-Lite TTS

Google 發布 Gemini 3.8 Flash TTS 與 Gemini 3.8 Flash-Lite TTS，進一步拓展其生成式音訊產品陣容。這兩款文字轉語音（TTS）模型支援超過 100 種語言，並引入精細的發音控制功能，包括逐行的舞台表演指示。

Gemini 3.8 Flash TTS 主打富有表現力的創意工作流程，例如電玩角色對話、Podcast 與有聲書，讓開發者能直接根據文字描述生成全新的合成語音。Gemini 3.8 Flash-Lite TTS 則專為具備成本效益且利於規模化部署的場景打造，包含在地化配音、自動化語音代理以及大規模媒體製作。兩款模型現已透過 Google AI Studio 與 Gemini API 陸續推出，企業端權限預計隨後跟進。

文字轉語音設計、劇本控制與計費機制解析

Flash TTS 帶來直接透過文字提示詞描述聲音特徵的能力，包含音高、口音、語氣與角色人設。偏好既有選項的用戶，則可從涵蓋墨西哥西班牙語、蘇格蘭英語與魁北克法語等地區口音的 2,000 多種預設聲音資料庫中進行挑選。名為「Voice Remixing」的即將推出功能，還將允許創作者藉由調整音色、節奏與音高來微調資料庫中的既有聲音。

在聲音複製方面，Flash TTS 內建語音複製工具，僅需 30 秒的音訊錄音即可建立自訂聲音模型。為防止未經授權的冒用，系統要求說話者錄製明確的口頭同意聲明，且該聲明必須與來源樣本的生物辨識特徵相符。

兩款模型皆支援細緻的表演指示：

劇本化演繹： 提示詞可自動解析敘事線索，或執行明確的逐行表演指示，插入停頓以及笑聲、嘆氣或「嗯哼」等非語言線索。

多角色對話： 雙人對話模式可在單一劇本中交替呈現兩種不同的聲音。Google 表示，該模型能在長時間生成過程中維持聲音的一致性，將「發音者飄移」降至最低。

工具支援度： Flash TTS 已整合至 Gemini Notebook，Flash-Lite TTS 則可在 Google Vids 中使用。包括 LiveKit、Agora、Pipecat 與 Vercel 在內的多個開發者平台，也已透過 Gemini API 推出相關支援。

Google 的 API 定價結構以文字輸入 token 與音訊輸出 token 為基準，音訊生成速度以每秒 25 個 token（即每小時 90,000 個 token）計算。截至 2026 年底前，兩款模型的文字輸入費用皆為每百萬 token 0.50 美元；音訊輸出方面，Flash TTS 為每百萬 token 9.00 美元（生成一小時語音約 0.81 美元），Flash-Lite TTS 則為每百萬 token 6.00 美元（每小時約 0.54 美元）。自 2027 年 1 月 1 日起，費率預計調漲一倍，文字輸入為每百萬 token 1.00 美元；音訊輸出部分，Flash TTS 調漲至每百萬 token 18.00 美元（每小時 1.62 美元），Flash-Lite TTS 則為每百萬 token 12.00 美元（每小時 1.08 美元）。透過付費 API 方案提交的資料不會用於產品訓練，但免費方案的資料則可能被 Google 使用。