Google發布了兩款全新的文字轉語音模型：「Gemini 3.8 Flash TTS」只需透過文字描述，就能從零打造出全新的聲音；而「Gemini 3.8 Flash-Lite TTS」則專為高速、低成本的大量處理而設計。過去Google的語音合成模型只能從固定的預設聲音中挑選，新模型則可依照角色設定、口音、音色等文字指示，直接生成一個全新的聲音，為遊戲、有聲書與Podcast製作等領域帶來新的可能性。
從「挑選聲音」進化到「設計聲音」
過去Google的TTS模型主要提供約30種預設聲音供使用者挑選。這次發布的Flash TTS在保留這些預設聲音之餘，最大的變革在於使用者只要用自然語言描述角色、口音、音質等特徵，就能即時生成一個全新的聲音。Google也建立了涵蓋各地口音差異、總數超過2000種的聲音資料庫，並預告即將推出「聲音混音」功能，讓使用者能透過提示詞調整資料庫中既有聲音的音色、音高、語速與口音。Flash TTS支援130種語言，主打大量處理的Flash-Lite TTS則支援101種語言，兩者皆支援日語。
新模型同時搭載「聲音複製」功能，可透過約30秒的錄音樣本重現說話者的聲音。此功能僅限用於本人的聲音，或使用者擁有使用權的聲音，使用時必須提交聲音所有者口頭同意的錄音，系統也會驗證該錄音中的說話者是否與參考音檔一致。值得留意的是，在Google AI Studio中，美國伊利諾州、德州、歐洲經濟區（EEA）、英國、瑞士與印度目前皆無法使用此聲音複製功能。
演出指示與長篇內容的生成
兩款模型都支援在腳本中逐行加入類似舞台指示的提示，藉此細膩控制語速與情緒表現。即使是長達數小時的音檔，也能維持穩定的音質與自然的停頓節奏，並可由單一腳本生成兩位說話者之間的對話。笑聲、嘆息、倒抽一口氣等非語言聲音，以及「嗯」等附和語，都能透過腳本中的標籤插入。所有生成的音檔都內建Google的數位浮水印技術「SynthID」，透過聲音複製生成的音檔還會附加標示內容來源的「C2PA」認證資訊。
提供範圍與價格方案
兩款模型已於發布當天起陸續開放使用。開發者可透過Gemini API與Google AI Studio使用，一般使用者則可透過「Gemini Notebook」的語音導覽功能使用Flash TTS，並透過「Google Vids」使用Flash-Lite TTS。針對企業客戶的「Gemini Enterprise」API串接也即將推出。Agora、LiveKit、Pipecat、Vercel等開發者平台正透過Gemini API串接此功能，Figma、HeyGen等公司也在將其整合進自家服務。
在Gemini API的付費方案中，Flash TTS每百萬輸入token收費0.5美元（約79日圓），每百萬輸出token收費9美元（約1,400日圓）；Flash-Lite TTS每百萬輸入token收費0.5美元（約79日圓），每百萬輸出token收費6美元（約940日圓）。上述價格僅適用至2026年12月31日，自2027年1月1日起將分別調漲約一倍。此外也提供免費額度，非同步處理的Batch與Flex模式則可享標準價格的五折優惠。
在效能表現上，Flash TTS在語音設計專業評測機構Hume AI的基準測試中拿下綜合第一，並在口音表現單項測試中同樣位居榜首；在該機構的綜合品質指標中，Flash TTS排名第一，Flash-Lite TTS排名第二。在由真人進行聽感比較的「Voice Arena」評測中，兩款模型在包含日語在內的多種語言測試裡皆名列前茅。這兩款模型也加入Google的「Gemini Audio」語音模型陣容，與支援即時語音對話的「Gemini 3.8 Live」、語音轉文字的「Gemini 3.5 Transcribe」等模型並列。
總結
Google此次發布的「Gemini 3.8 Flash TTS」與「Gemini 3.8 Flash-Lite TTS」，讓語音合成從單純挑選預設聲音，進化到能以自然語言描述從零設計出全新聲音。新模型在強化演出指示控制能力與長篇內容穩定性的同時，也透過SynthID浮水印與C2PA溯源資訊確保內容的真實性，並從開發者API到Gemini Notebook、Google Vids等一般使用者工具，提供多元的使用管道。
※1美元=157日圓（截至2026年9月25日）
