ithome
科技
采集 2026-09-23T16:11:27+00:00
谷歌推出两款 Gemini 3.8 Flash 文本转语音模型
原始标题:谷歌推出 Gemini 3.8 Flash / Flash-Lite 文本转语音模型,每一行台词都能精确控制
来源
ithome
发布时间
2026-09-23T15:31:11
采集批次
2026-09-23-16
字数
1391
URL 指纹
dea008f53095c5ac
📌 AI 总结(283 字)
谷歌发布两款 Gemini 3.8 Flash 系列文本转语音模型,分别是面向深度创意角色设计的 Flash TTS 和面向大规模高性价比场景的 Flash-Lite TTS。模型支持用自然语言提示创建全新语音,覆盖 100 多种语言和 2000 多种现成语音,仅需 30 秒音频即可复制声音。创作者可逐行控制台词演绎,添加笑声、叹息等非语言提示,并支持双人对白编排。在 Hume AI 与 Voice Arena 评测中,两款模型均位居前列。模型已在 Gemini API 和 Google AI Studio 开放给开发者使用,但语音复制功能在部分州和国家受限。
📄 正文(1391 字)
IT之家 9 月 23 日消息,谷歌今日宣布,Gemini 家族新增两款全新文本转语音模型,将语音生成从静态预设转变为动态创意工作室,能够帮助创作者、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。 两款新模型分别为 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS,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。该模型的具体功能包括: 生成式语音设计:可通过自然语言提示,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,覆盖广泛语言,包括墨西哥西班牙语、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,并内置同意验证、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,用户可从语音库中选择一种语音,对音色、音高、节奏和口音进行微调,还可使用提示调整特征。 选好声音后,两款 TTS 模型都能让用户精确控制每一行台词的演绎方式。可逐行编写舞台指导,或让 Gemini 通过自然脚本提示引导交付;在数小时的连续音频中保持高语音质量和自然节奏;可从单个脚本中无缝指导多轮对话,同时保持两种声音清晰分离;还可添加非语言提示(如 laughs、sigh、gasp)和主动倾听插入语(如 mhm 或 yeah),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 的语音设计基准测试中(71.4 分)位居总体第一,在口音建模方面(60.8 分)也处于领先地位。在 Voice Arena 的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语言上均领先竞争对手。 谷歌在语音创建和复制功能中内置了严格的保护措施,包括同意验证、SynthID 水印和 C2PA 凭据。 即日起,开发者可以在 Google AI Studio 中体验这些新功能。两款模型均已向开发者推送,可在 Gemini API 和 Google AI Studio 中使用;面向企业用户,很快将通过 Gemini Enterprise 中的 API 推出;面向所有用户,Flash TTS 可在 Gemini Notebook 中使用,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。