Google 新 Flash TTS 模型可用文本描述从零设计 AI 声音
Google 发布 Gemini 3.8 Flash TTS 和 Flash-Lite TTS,支持 100 多种语言、文本描述设计音色、30 秒样本声音克隆、舞台指示与双人对话。Flash TTS 面向播客、有声书和游戏角色,Flash-Lite 面向低成本规模化配音、音频内容和语音代理,已通过 Gemini API 与 Google AI Studio 推出。
原贴
查看原文原文
中文翻译
Google 发布了两款新的文本转语音模型,Gemini 3.8 Flash TTS 和 Flash-Lite TTS,它们支持 100 多种语言。Flash TTS 可以根据文本描述创建新声音,而声音克隆功能可从 30 秒音频样本构建声音配置。Flash TTS 面向播客、有声书和游戏角色等创意用途,而 Flash-Lite TTS 则面向配音、音频内容和语音代理的低成本规模化语音生成。两款模型都支持为每一行添加舞台指示、双人对话,以及笑声和叹息等非语言声音。它们正通过 Gemini API 和 Google AI Studio 推出,Gemini Enterprise API 访问随后跟进。
Google 正在推出 Gemini 3.8 Flash TTS 和 Flash-Lite TTS,两款用于语音生成的新模型。Flash TTS 可以根据文本描述创建新声音,两款模型都支持 100 多种语言,并让用户为个别对话行添加舞台指示。据 Google 称,Gemini 3.8 Flash TTS 面向游戏角色、有声书和播客等创意项目,而 Gemini 3.8 Flash-Lite TTS 侧重于配音、音频内容和语音代理的低成本规模化语音生成。
使用 Gemini 3.8 Flash TTS,用户可以从零开始设计声音。据 Google 称,文本提示可以在一系列广泛的语言和方言中定义声音的角色、口音和声音特征。对于不想从零开始的用户,Google 提供了超过 2,000 种预设声音的库,包括墨西哥西班牙语、魁北克法语和苏格兰英语等地区变体。声音克隆功能可以从 30 秒音频样本构建声音配置。要使用它,被克隆声音的人必须录制一段口头同意声明,并且该录音中的声音必须与样本匹配。据 Google 称,Gemini 音频模型生成的每个片段都带有听不见的 SynthID 水印,以帮助检测 AI 生成的语音。
Google 还宣布了“Voice Remixing”功能,该功能将让用户调整库中声音的音色、音高、速度和口音,但它尚未推出。两款模型都让用户为每一行写指示,或让模型自行解释脚本提示。Google 表示,这些模型可以生成数小时音频,且“说话人漂移”极小,意味着声音随时间几乎没有变化。据该公司称,双人声音模式可以从单个脚本生成对话,同时保持声音彼此不同。用户还可以编写笑声、叹息和“mhm”之类的声音,以将反应和停顿精确放在他们想要的位置。
在我自己的两次测试中,我使用了一个预设声音,并加入风格提示,要求它模仿一个恼火的柏林人用浓重德国口音说英语。风格控制产生了令人信服的口音和语调,但两次测试在某些时候背景中都有高频啸叫声。在其中一次测试中,声音在片段结尾也发生了变化。
风格提示:一个来自柏林的德国本地男人,把英语作为外语来说,带有浓重、不会认错的德国口音。他显然不是英语母语者:他用德语方式发音英语单词,把德语节奏和语调应用到英语句子上。“Th”变成“z”或“d”(“ze”、“sink”、“dat”),“w”变成“v”(“vat”、“vell”),末尾辅音变得更硬(“goot”、“bat”代替“bad”)。“r”是喉音和沙哑的,从不是英语的“r”。元音扁平而短,缺乏美式或英式英语中的柔和感。
核心信息
Google 发布 Gemini 3.8 Flash TTS 和 Flash-Lite TTS,支持 100 多种语言、文本描述设计音色、30 秒样本声音克隆、舞台指示与双人对话。Flash TTS 面向播客、有声书和游戏角色,Flash-Lite 面向低成本规模化配音、音频内容和语音代理,已通过 Gemini API 与 Google AI Studio 推出。
- Google 发布 Gemini 3.8 Flash TTS 和 Flash-Lite TTS,支持 100 多种语言、文本描述设计音色、30 秒样本声音克隆、舞台指示与双人对话。Flash TTS 面向播客、有声书和游戏角色,Flash-Lite 面向低成本规模化配音、音频内容和语音代理,已通过 Gemini API 与 Google AI Studio 推出。
- 原贴提到:Google has released two new text-to-speech models, Gemini 3.8 Flash TTS
- 来源:the-decoder.com
详细解读
这是什么信号
Google 把 TTS 从“朗读文本”推进到“用文本描述设计声音”。Gemini 3.8 Flash TTS 支持从零设计音色,Flash-Lite TTS 主打低成本规模化,两款模型支持 100 多种语言、逐行舞台指示、双人对话和非语言声音。这是语音生成从单点工具变成可编排内容生产基础设施的信号。
为什么重要
第一,音色设计门槛下降。用户不再只能选预设声音,而能用提示词定义角色、口音和声音特征;同时提供 2000 多种预设声音和地区变体,覆盖从创意制作到本地化需求。第二,规模化成本结构被重新划分:Flash-Lite 明确面向配音、音频内容和语音代理,意味着企业可以把大量文本转成音频,而不必逐条人工录制。第三,合规与可追溯被前置:声音克隆要求本人同意录音,生成片段带 SynthID 水印,这会成为 B 端采购语音模型时的重要评估项。
对谁有价值
播客、有声书、游戏角色创作者可测试用提示词设计角色音色和多角色对话;本地化与配音团队可评估 100 多种语言和地区口音变体,降低小语种和区域版本的成本;语音代理和音频内容平台可用 Flash-Lite 做规模化生成;AI 产品经理和开发者需要关注 Gemini API、AI Studio 与后续 Enterprise API 的接入方式。原文实测也给出提醒:风格控制能做出可信口音和语调,但出现背景高频啸叫与片段结尾音色变化,说明质量稳定性仍需实测。
可以怎么行动
先不要全面替换现有配音链路。可以用 Gemini API 或 AI Studio 做小规模对照测试:选一段多语言脚本,分别用预设声音、文本描述声音和克隆声音生成,评估口音自然度、跨时长稳定性、双人对话清晰度、非语言声音位置控制。为品牌或角色建立“声音提示词规范”,记录角色、口音、语速、情绪和禁用项。涉及克隆时,提前设计同意录音、样本匹配和授权留档流程。关注 Voice Remixing 是否上线,因为它会补上音色、音高、速度和口音的后期调整能力。
风险或限制
Voice Remixing 尚未可用;声音克隆有同意门槛,不能随意克隆第三方声音;SynthID 水印可用于检测,但企业仍需自行建立审核和披露机制。原文测试中的高频啸叫和尾部音色变化表明,长音频和复杂风格提示下的稳定性可能不稳定。Flash-Lite 主打低成本规模化,但是否满足高要求商业配音,需要按场景做质量抽检。Gemini Enterprise API 访问“随后跟进”,企业级采购和合规接入时间表仍待明确。
信息差价值
这条内容的真正价值,不只是“有人发布了一个新功能”,而是它揭示了 the-decoder.com 背后的产品方向、工作流变化或竞争信号。对 OPC 来说,这种信息可以转化成持续追踪的栏目选题。
如果把《Google 新 Flash TTS 模型可用文本描述从零设计 AI 声音》放到你的内容系统里,它最大的价值在于帮助读者更快看懂“为什么值得关注”,而不是只看到一条碎片化动态。
参考来源
TOPIC HUBS
延伸专题
AI SUMMARY
这篇文章回答了什么
Google 新 Flash TTS 模型可用文本描述从零设计 AI 声音主要讲什么?
Google 发布 Gemini 3.8 Flash TTS 和 Flash-Lite TTS,支持 100 多种语言、文本描述设计音色、30 秒样本声音克隆、舞台指示与双人对话。Flash TTS 面向播客、有声书和游戏角色,Flash-Lite 面向低成本规模化配音、音频内容和语音代理,已通过 Gemini API 与 Google AI Studio…
这篇文章最值得关注的要点是什么?
Google 发布 Gemini 3.8 Flash TTS 和 Flash-Lite TTS,支持 100 多种语言、文本描述设计音色、30 秒样本声音克隆、舞台指示与双人对话。Flash TTS 面向播客、有声书和游戏角色,Flash…;原贴提到:Google has released two new text-to-speech models, Gemini 3.8 Flash TTS;来源:the-decoder.com
这篇文章和哪些AI专题相关?
它适合放在AI副业、AI工具、AI内容增长专题里阅读。 关联原因:这篇内容命中「项目、小生意、变现」等主题信号。;这篇内容命中「模型」等主题信号。;这篇内容命中「内容」等主题信号。
阅读这篇文章建议先理解哪些关键词?
建议先理解AI工具、工具、自动化、模型、Cursor这些关键词,再结合正文判断工具、机会或风险是否值得进入自己的工作流。