Google 推出 Gemini 3.8 TTS 文字轉語音系列！支援 30 秒複製人聲、自創聲線、逐句控制演繹風格

Google 發表新一代文字轉語音模型 Gemini 3.8 Flash TTS 與 Gemini 3.8 Flash-Lite TTS，距離前代 Gemini 3.1 Flash TTS 推出約五個月。這次除了提升文字轉語音的自然度與控制能力，還加入多項新功能，包括只需 30 秒錄音就能複製指定人聲。根據 Hume AI 的 Voice Design 語音設計評測排行榜，Gemini 3.8 Flash TTS 以 71.4 分暫居第一。

聲音生成與複製功能

這次升級分成兩大方向：「做出聲音」與「指揮聲音」。聲音生成部分，使用者可以用自然語言描述角色、口音和聲音特徵，模型會據此生成全新聲音，支援超過 100 種語言與方言。不想自己設計的使用者，也能從聲音庫直接選現成聲音。聲音庫規模從原本 30 種擴大到 2,000 多種，涵蓋墨西哥西班牙語、魁北克法語、蘇格蘭英語等地區口音。

人聲複製功能方面，使用者只需提供 30 秒錄音，就能複製出一個穩定的聲音。為防止濫用，Google 設置了同意驗證機制——使用者必須另外上傳聲音主人親口表示同意的錄音，系統確認該錄音與參考錄音來自同一人後，才會建立該聲音。

設計或複製的聲音可以保存管理，根據 Gemini API 開發文件，每個專案最多可存 200 個自訂聲音，保存期限為 1 年。Google 也提到一項「即將推出」的聲音混音功能，使用者可從聲音庫選聲音，再透過提示詞微調音色、音高、語速與口音，例如「加一點美國南方口音」或「講得溫柔一點」。

逐句細緻控制演繹風格

「指揮聲音」功能允許為每一句台詞寫舞台指示，或讓 Gemini 根據劇本自動判斷演繹方式，從冷靜的客服語氣到壓低聲音的懸疑場景都能做到。相比前代依賴 200 多種音訊標籤的做法，新模型改成「直接寫一段表演指導提示詞」，控制方式更自然。

新模型可連續生成數小時音訊，並維持音質、節奏與角色音色的一致性，甚少出現講者聲音漂移的情況，適合製作 Podcast 與有聲書。此外，該模型原生支援雙人對話，單份腳本就能產生多輪兩人對話，兩個聲音區隔清晰，換人講話的節奏也相當自然。

測試表現與安全機制

在 Hume AI 的 Voice Design 排行榜中，Gemini 3.8 Flash TTS 英文總分達 71.4 分，超越 ElevenLabs 的 70.8 分與 Inworld 的 69.8 分。口音生成方面差距最明顯，Gemini 得 60.8 分，ElevenLabs 只有 45.4 分、Inworld 35.8 分，顯示 Gemini 在生成特定口音（如墨爾本腔、蘇格蘭腔）上的優勢。多語言項目中，Gemini 同樣小幅領先（3.82 對 3.65）。

Hume AI 品質評測中，Gemini 3.8 Flash TTS 總分達 0.920、Flash-Lite TTS 達 0.914，相較前代 Gemini 3.1 Flash TTS 的 0.783 進步幅度明顯，並領先所有競爭對手。多人對話與風格標籤控制也都排第一。唯一落後的地方是「Human-like variation」項目，這項評估語音輸出間的變化是否接近真人說話的自然變化，ElevenLabs v3 拿到滿分 5.00，Gemini 為 4.58。

Voice Arena 真人盲測中，Gemini 3.8 Flash TTS 在日語表現最出色，得分 1,232（前代 3.1 為 1,148、ElevenLabs v3 為 1,048）；阿拉伯語也達 1,204 分。比較特別的是，英語、巴西葡萄牙語、越南語反而是成本較低的 Flash-Lite 版本拿下最高分。

安全性方面，除了前面提到的同意驗證，Gemini Audio 模型生成的每段音訊都會嵌入 Google 的 SynthID 浮水印。人耳無法察覺這個浮水印，但可以用來辨識聲音是否由 AI 生成。聲音複製功能另外支援 C2PA 內容憑證。

可用性與定價

Gemini 3.8 Flash TTS 即日起陸續上線，開發者可在 Gemini API 與 Google AI Studio 使用，一般使用者也能在 Gemini Notebook 中體驗。有興趣的人可到 Google AI Studio 免費試用。

API 定價方面，兩款模型到 2026 年 12 月 31 日前提供優惠價格。以百萬 Token 計，Gemini 3.8 Flash TTS 文字輸入 0.5 美元、音訊輸出 9 美元、批次處理 4.5 美元；Gemini 3.8 Flash-Lite TTS 文字輸入 0.5 美元、音訊輸出 6 美元、批次處理 3 美元。自 2027 年 1 月 1 日起，音訊輸出價格將調回原價，Gemini 3.8 Flash TTS 調至 18 美元、Flash-Lite TTS 調至 12 美元。