精选24天前331 投票
谷歌发布 Gemini 3.8 TTS：用自然语言提示即可定制角色声音
语音生成从「预设音色」走向「导演级创作」
谷歌正式推出 Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，官方称其为「迄今最具表现力的音频生成模型」。这标志着语音合成正在从传统的固定音色库，转向一个可被「导演」的创作过程——用户不再只是挑选一个声音，而是用自然语言描述并塑造它。
两款模型的定位差异
- Gemini 3.8 Flash TTS：面向深度创意与角色设计。用户可以用自然语言提示从零创建全新声音，适用于游戏、沉浸式有声书、播客和互动媒体。它支持逐行指导表演，对表演提示、节奏、方言切换乃至对话中的「附和声」（backchanneling）进行细粒度控制。
- Gemini 3.8 Flash-Lite TTS：面向高并发、低成本的规模化场景。针对大批量配音、音频内容生产和富有表现力的语音智能体进行了优化，同样提供对语气、节奏和表达的细粒度控制。
不只是「读出来」，而是「演出来」
据官方介绍，新模型的核心能力在于用简单的自然语言提示创建自定义声音，或复刻已有声音。更重要的是「逐行导演」——用户可以控制语速、情绪，甚至生成真实的对话音效。官方给出的典型用途包括高质量有声书、播客以及大规模的实时语音智能体。
这种能力意味着 TTS 的竞争维度正在迁移：过去比拼的是音质自然度和延迟，如今则转向可控性、表达力与创作工作流的整合度。
安全与分发
谷歌表示，模型内置了水印等安全工具，以确保生成音频可被追溯。新模型将通过多个渠道开放，包括 Google AI Studio、Gemini API、Gemini Enterprise、Gemini Notebook 和 Google Vids。
值得关注的信号
这条消息在 Hacker News 上获得 330 分、150 条评论，讨论热度不低。一方面，语音智能体和有声内容生产是当前 AI 落地最密集的赛道之一；另一方面，「复刻已有声音」的能力也必然引发关于滥用与版权的新一轮争论——水印能否真正解决问题，仍有待观察。
对于开发者和内容团队而言，真正的看点在于：当语音可以被逐行导演，音频生产的门槛与成本结构会被如何改写。
