Gemini 3.8 Flash TTS 與 Flash-Lite TTS 全面進駐 Google 開發者與企業端介面
Google 於 9 月 23 日推出兩款新的文字轉語音模型Gemini 3.8 FlashTTS 與 Gemini 3.8 Flash-Lite TTS，將 Flash TTS 定位於創意語音設計，將 Flash-Lite 定位於大量音訊生成。此次發布延伸了 Gemini 3.8 系列，提供讓使用者透過自然語言提示打造原創語音、逐行指示語氣，以及從單一腳本編排雙人對話的工具。Flash TTS 還新增透過 30 秒音訊樣本複製語音的功能，但須經語音所有人的口頭同意確認。
語音建立、複製防護機制與語言涵蓋範圍
Google 表示，Flash TTS 讓開發者能以白話描述語音，例如充滿活力的墨爾本 DJ 或日本龍，並透過額外指示進行調整。自訂語音可儲存以供不同專案重複使用，Google 計畫推出語音混音功能，可從資料庫語音調整音色、音高、節奏與口音。這些模型支援超過 100 種語言與方言，包括墨西哥西班牙語、魁北克法語與蘇格蘭英語等地域變體，並內建 Google 所稱逾 2,000 種可直接用於生產環境的語音。語音複製功能需語音所有人提供相符的口頭同意錄音，且 Google 表示每段由 Gemini 產生的音訊片段皆帶有 SynthID 浮水印，複製語音則另外帶有 C2PA 內容憑證。複製語音功能在伊利諾州、德州、歐洲經濟區、英國、瑞士與印度無法使用。
基準測試宣稱與 Google 的論述方式
Google 表示 Flash TTS 在 Hume AI 的 Voice Design Benchmark 中以 71.4 分拿下整體最高分，並在該基準的口音模擬類別以 60.8 分領先。Google 也表示 Flash TTS 與 Flash-Lite 在 Hume AI 的 Overall Quality Index 分別名列第一與第二。另有來源指出 Flash TTS 在 Artificial Analysis Pronunciation Robustness Benchmark 拿下 89.5%，高於 Gemini 3.1 Flash TTS 的 88.2%。在 Voice Arena 的盲測人聲偏好測試中，Google 表示兩款模型在日語、巴西葡萄牙語、越南語、Modern Standard Arabic、墨西哥西班牙語與印地語中皆名列前茅。上述為 Google 對第三方基準測試結果的描述，並非經獨立驗證的結論，且該公告並未揭露任一款模型的定價。
產品佈局與初期合作夥伴
Google 並未透過獨立的語音服務，而是將新 TTS 模型整合進現有產品進行發布。Flash TTS 透過 Gemini API 與 Google AI Studio 提供給開發者使用，並計畫透過 API 推廣至 Gemini Enterprise，以及提供給一般使用者的 Gemini Notebook。Flash-Lite 鎖定大量配音、音訊製作與語音代理等使用情境，開發者可透過 Google AI Studio 存取，創意應用則透過 Google Vids 提供。已公開的合作整合夥伴包括 Figma、HeyGen、Wondercraft、Linguana、99.co、Ollang、Agora、LiveKit、Pipecat 與 Vercel，使 Google 新語音模型直接與 ElevenLabs 與 Murf AI 等既有語音與配音專業廠商競爭，同時也與 Adobe 在 8 月新增的 Firefly 語音生成功能較勁。
其他發展
此外，前 Hume AI 創辦人、現為 Google DeepMind 研究科學總監的 Alan Cowen，與 Leland Rechis 共同被列為此次發布的要角，他先前在衡量與建模情緒行為方面的工作，被引用為本次公告強調角色設計與表演指導的一貫主軸。Google 並未公佈 Flash TTS 與 Flash-Lite 的定價或成本比較，使開發者僅憑發布資料無法判斷兩款模型之間的經濟差異。產品自 9 月 23 日起陸續上線，企業端與 Notebook 存取服務將於稍後跟進。
仍有未確定的事項
Google 未透露這兩個模型的定價、延遲時間，以及相較於預覽版本的一般可用性狀態，也未詳細說明在語音建立後，處理爭議性同意或權利聲請的程序。Google 引用的基準測試分數來自 Hume AI 與 Artificial Analysis 的評測結果，並未經過獨立驗證。
分享這篇文章
