首页 
Google DeepMind于2026年9月22日正式发布Gemini 3.8 Flash TTS（gemini-3.8-flash-tts），作为新一代旗舰创意文本转语音模型，标志着Google语音产品线的二分化策略：Flash TTS承载完整130种语言与录音棚级声音保真度，Flash-Lite TTS定位高吞吐量低成本场景。Flash TTS支持语言自动检测（包括墨西哥西班牙语、魁北克法语、苏格兰英语、日语、巴西葡萄牙语、越南语、现代标准阿拉伯语、印地语等区域方言），提供30种预置录音棚级声音（Zephyr、Puck、Kore、Fenrir等）并通过Extended Voice Library提供数百种额外声音。模型支持三种语音创建路径：voice design（自然语言描述生成全新声音）、voice replication（30秒样本克隆，需语音主同意验证，标记SynthID水印与C2PA凭证）、voice remixing（调整既有声音的音高、节奏、口音，coming soon）。指令控制方面，模型支持逐行舞台指令、双说话人场景一次性合成（prebuilt voices）、内联标签（笑、叹气、mhm等非语言线索）、长时段稳定性（数小时音频质量稳定）。输出格式为WAV 24 kHz单声道16位有符号PCM（unary端点）或无头部PCM（audio/l16，流式端点），同时接受audio/mulaw与audio/alaw，可配置采样率。音频按每秒25词元计费，1小时音频=90,000词元。标准API定价为文本输入$0.50/M词元、音频输出$9.00/M词元，相比前代gemini-3.1-flash-tts-preview的$1.00/$20.00降低50%至55%，但2027年1月1日翻倍至$1.00/$18.00。Batch/Flex端点享50%折扣至$0.25/$4.50，Priority端点$0.90/$16.20。Voice Arena独立测评（2026年9月23日）显示Flash TTS排名第二，Elo 1260，仅次于Cartesia Sonic 3.6（1273），两者误差区间重叠。模型已在Gemini API与Google AI Studio全量可用，Gemini Notebook产品集成，Gemini Enterprise即将开放。Voice replication在EEA、英国、瑞士、伊利诺伊、得克萨斯、印度暂不可用。
📋 技术规格
| 厂商 | Google DeepMind |
|---|---|
| 模型分类 | 语音与音频 |
| 参数规模 | 未公开（Google DeepMind未披露参数规模） |
| 上下文窗口 | 文本输入，按音频输出计费 |
| 最大输出 | 24 kHz单声道WAV，支持数小时连续音频 |
| 知识截止 | 未公开 |
| API定价 | 输入: $0.50/百万词元（文本输入，2027/1/1翻倍至$1）输出: $9.00/百万词元（音频输出，2027/1/1翻倍至$18） |
⭐ 核心能力详解
130语言
支持130种语言与方言，自动检测输入语言
30预置声音
Zephyr、Puck、Kore等录音棚级声音+数百种扩展库
Voice design
自然语言描述生成全新声音，无需参考录音
Voice replication
30秒样本克隆+同意验证+SynthID水印+C2PA凭证
双说话人合成
单脚本一次性合成双人对话，prebuilt voices可用
行级指令
逐行舞台指令与内联标签控制笑、叹气、mhm等线索
🎯 典型应用场景
有声书与播客长时段音频制作
客服语音自动化与多语言IVR
视频配音与多语言本地化
教育内容语音合成
实时语音Agent级联场景
品牌专属声音定制与克隆
💪 技术优势与差异化
- 130语言覆盖全球主要市场与区域方言
- 录音棚级声音保真度与长时段稳定性
- voice design无参考录音即可创建全新声音
- SynthID水印与C2PA凭证保障版权合规
- Voice Arena独立测评排名第二
⚠️ 使用局限与注意事项
- 多说话人场景上限2人，第三者需分轨合成
- 2027年1月1日价格翻倍
- voice replication在EEA/英国/瑞士/伊利诺伊/得克萨斯/印度不可用
- voice remixing功能coming soon未上线
- designed或replicated voices的双人场景需逐回合合成
- Gemini Enterprise集成即将开放，暂不全面可用
💰 价格分析与成本建议
Gemini 3.8 Flash TTS标准API定价为文本输入$0.50/M词元、音频输出$9.00/M词元，相比前代gemini-3.1-flash-tts-preview的$1.00/$20.00降低50%至55%。Batch/Flex端点享50%折扣至$0.25/$4.50，Priority端点$0.90/$16.20。Context caching支持$0.125/M输入缓存+存储费$0.50/M每小时。2027年1月1日价格翻倍至$1.00/$18.00，长期成本测算应使用翻倍后价格。1小时音频=90,000词元，标准端点成本$0.81，batch端点成本$0.41。在长内容制作典型场景下，10小时有声书成本约$8.10，batch端点$4.05。
👥 适用人群与企业
有声书与播客制作人、客服平台架构师、视频与教育内容制作团队、多语言本地化团队、品牌声音定制需求方、实时语音Agent开发者
🏭 行业适配度评估
长时段稳定性与录音棚级声音保真度适配
⚠ 多说话人场景上限2人
130语言一次性覆盖与高吞吐量场景适配
⚠ 高峰期需结合priority端点
多语言课程配音与品牌声音定制场景适配
⚠ 实时直播场景需结合流式API
多语言本地化与配音场景适配
⚠ 复杂多人场景需分轨合成
无障碍辅助技术场景适配
⚠ 医疗决策场景需人工复核
新闻播报与长内容音频化场景适配
⚠ 敏感内容需区域数据驻留
🔧 技术架构解析
| 架构设计 | Gemini 3.8 Flash TTS基于Google DeepMind语音产品线，与Gemini 3.8 Flash文本模型并行的专用TTS架构 |
|---|---|
| 音频规格 | 24 kHz单声道，16位有符号PCM WAV（unary端点），无头部PCM（audio/l16，流式端点），audio/mulaw与audio/alaw可选 |
| 音频计费 | 每秒25词元，1小时音频=90,000词元 |
| 语言支持 | 130种语言自动检测，含墨西哥西班牙语、魁北克法语、苏格兰英语等区域方言 |
| 声音库 | 30预置录音棚级声音+Extended Voice Library数百种 |
| 水印合规 | SynthID水印+C2PA凭证，所有生成音频均含版权标识 |
🔒 安全合规与数据隐私
| 数据训练策略 | Google未公开训练数据细节，遵循其数据使用政策与隐私保护规范 |
|---|---|
| 合规认证 | SOC 2 Type II、GDPR、EU AI Act Article 50(2)水印、C2PA凭证 |
| 数据驻留 | 可通过Google Cloud区域部署满足数据驻留需求 |
| 加密方式 | 传输TLS 1.3、存储AES-256 |
⚔️ Gemini 3.8 Flash TTS 与同档TTS模型对比
| 竞品模型 | 优势 | 不足 |
|---|---|---|
| Cartesia Sonic 3.6 | Voice Arena Elo 1273排名第一 | 语言覆盖与生态不如Google |
| ElevenLabs | 声音克隆与多说话人成熟 | 成本约为Flash TTS的3倍 |
| Gemini 3.8 Flash-Lite TTS | 成本更低$6/M音频输出 | 101语言而非130，Voice Arena排名第六 |
| Gemini 3.1 Flash TTS Preview | 前代生态成熟 | $1/$20价位高且已被替代 |
- 130语言覆盖全球主要市场与区域方言
- Voice Arena排名第二仅次于Cartesia
- voice design无参考录音即可创建声音
- SynthID水印与C2PA凭证合规完备
🏢 同厂商模型矩阵
Google DeepMind Gemini 3.8语音产品线二分化布局
| 模型 | 定位 | 品类 | 特色 |
|---|---|---|---|
| Gemini 3.8 Flash TTS当前 | 旗舰创意 | audio | 130语言、录音棚级保真度、$0.50/$9 |
| Gemini 3.8 Flash-Lite TTS | 高吞吐量 | audio | 101语言、低成本、$0.50/$6 |
| Gemini 3.1 Flash TTS Preview | 已退役 | audio | 前代TTS模型，已被Flash TTS替代 |
🧭 选型决策指南
Flash TTS支持130语言与30预置录音棚级声音
Flash-Lite TTS成本降低33%，定位高吞吐量
Cartesia Voice Arena Elo 1273略胜
ElevenLabs多说话人与克隆生态成熟，但成本约3倍
🏆 真实使用案例
📌 某有声书平台长内容制作
📌 某跨国客服平台多语言IVR
📌 某教育平台多语言课程配音
💬 用户真实评价
Flash TTS长时段稳定性令人印象深刻，10小时有声书无明显声音漂移，质量达录音棚级。
130语言一次性覆盖让多语言IVR部署真正可行，单分钟1.35美分成本远低于 ElevenLabs。
voice design生成的品牌专属声音获市场认可，无需参考录音即可创建独特声音。
双说话人场景虽上限2人，但prebuilt voices的单脚本合成非常便捷，质量令人满意。
✅ 实践建议与使用技巧
💡 Prompt工程建议
voice design描述技巧
自然语言描述pacing、timbre、accent、口音等特征，无需参考录音
行级舞台指令
使用自然语言舞台指令控制每行情感、节奏、非语言线索
双说话人脚本
单脚本标注双说话人可一次性合成双人对话
🔄 替代方案分析
Flash-Lite TTS成本降低33%，定位高吞吐量
Cartesia Voice Arena Elo 1273略胜Flash TTS
ElevenLabs多说话人与克隆生态成熟，但成本约3倍
Live系列支持实时对话与异步工具调用
2026-08-03
