9月23日，谷歌宣布为Gemini家族新增两款文本转语音模型：Gemini 3.8 Flash TTS与Gemini 3.8 Flash-Lite TTS。公司把这次升级描述为把语音生成从静态预设变成一个动态创意工作室。两款模型当天即在Gemini API与Google AI Studio向开发者开放，企业版要通过Gemini Enterprise的API接入，消费级产品则分别进入Gemini Notebook与Google Vids。
两款模型分工明确。Gemini 3.8 Flash TTS面向深度创意指导与角色设计，可以用自然语言提示从零创造全新声音，为游戏、沉浸式有声书、播客和互动媒体塑造角色，并支持对台词、节奏、方言转换和应答语气进行逐句精细控制。Gemini 3.8 Flash-Lite TTS则面向高性价比的大规模场景，为批量配音、音频内容制作和语音代理做了成本优化，同时保留对语气、节奏和表现力细节的调节能力。
从30种原声到无限语音库，再到声音克隆
新模型把谷歌原来的30种内置声音扩展为一个可无限扩充的语音库，官方库内现有2000种以上的成品声音，覆盖墨西哥西班牙语、魁北克法语、苏格兰英语等地区变体。语音设计功能支持超过100种语言与方言，提示词可以指定角色设定、口音和音色特征。语音复刻功能只需一段30秒的音频样本，就能重建稳定的声线，前提是提供声音所有者本人的口头同意录音，系统会核验参考说话人与同意录音是否匹配。
逐句导演是这次更新的另一个重点。选定声音之后，用户可以为每一行台词写舞台提示，也可以让Gemini根据剧本线索自行决定演绎方式，从沉稳的客服语气到悬疑场景的低语都能覆盖。长文本生成能力保证数小时连续音频中音质、节奏与角色音色基本不漂移，这对播客和有声书尤其关键。双说话者场景编排允许用单一脚本完成多轮对话，两个声音保持分离并带自然的对话轮转。脚本还支持笑声、叹息、倒吸气这类非语言声音，以及嗯哼、对呀这类主动聆听的应答词。
基准成绩、合作伙伴与安全机制
谷歌给出了明确的基准数字。在Hume AI的Voice Design Benchmark上，Gemini 3.8 Flash TTS以71.4分拿到总体第一，口音建模单项也以60.8分领先；在Hume AI的Overall Quality Index上，Flash与Flash-Lite分别占据第一和第二。与Gemini 3.1 Flash TTS相比，新模型在长文本和双人剧本控制等场景上有明显改进。在Voice Arena的盲测人类偏好评估中，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关键语种上名列前茅。
安全机制与模型一同落地。Gemini Audio系列生成的每一段音频都嵌入SynthID水印，这种水印直接织进音频信号本身，肉眼不可见但可被检测，目的是让AI生成的语音保持可追溯。语音复刻额外要求声音所有者的口头同意录音，并附带C2PA来源凭证，以保护配音从业者与开发者的权益。谷歌同时提醒，AI Studio内的语音复刻功能在伊利诺伊州、得克萨斯州、欧洲经济区、英国、瑞士和印度暂不开放。
合作伙伴生态已经跟上。Agora、LiveKit、Pipecat、Vercel等开发者平台宣布支持新模型，用于构建高性能语音接口；Figma、HeyGen、Linguana、Wondercraft、99.co和Ollang正在集成最新TTS模型，用于加速全球配音、带有地方口音细节的媒体本地化，以及大规模对话式语音代理。谷歌还同步推出了一个语音设计工作台，开发者可以在里面从零提示新的声音身份，或复刻自己的声音，再进入双说话者剧本编辑器逐句调整演绎。