1. Google
MeWai
  • 返回首页
  • 厂商速查
  • OPEN AI
    • GPT-6 Astra 模型介绍
    • GPT-6 Luna 模型介绍
    • GPT-6.1 Sol 模型介绍
    • GPT-Image-2.5 系列模型介绍（Flare / Sunburst）
    • GPT-6.1 Terra 模型介绍
  • Anthropic
    • Anthropic
    • Claude Haiku 5.5 模型介绍
    • Claude Fable 5.1 模型介绍
    • Claude Sonnet 5.5 模型介绍
    • Claude Opus 5.5 模型介绍
  • Google
    • Gemini 3.8 Flash TTS 模型介绍
    • Gemini Nano Banana 2.1 模型介绍
    • Gemini 3.8 Flash 模型介绍
    • Gemini 4 Argon 模型介绍
  • DeepSeek
    • DeepSeek V4.1 Flash 模型介绍
    • deepseek-v4-1-flash-1017-模型介绍
  • Qwen
    • Qwen3.8-Flash 模型介绍
    • Qwen3.8-Max-0902 模型介绍
    • Qwen3.8-Omni-Flash 模型介绍
    • Qwen3.8-Omni-Flash-Realtime 模型介绍
  • Minimax
    • MiniMax H3 模型介绍
    • minimax-m3-1-flash-模型介绍
  • Moonshot
    • Kimi K3.1 Pro 模型介绍
  • ChatGLM
    • GLM-5.3 与 GLM-5.3-Flash 模型介绍
  • XiaomiMiMo
    • MiMo-V2.6 系列模型介绍（Pro / Flash）
  • 腾讯
    • Hy4 preview 模型介绍
  • xAI
    • Grok Imagine Video 1.5 Lite 模型介绍
    • Grok 4.7 模型介绍
  • TypeSafe
    • jev-1-14-0-模型介绍
  • Vidu
    • viduq4-preview-模型介绍
  • PixVerse
    • PixVerse V6 Max 模型介绍
  • Kling
    • Kling 4.0（kling-video-v4）模型介绍
  1. Google

Gemini 3.8 Flash TTS 模型介绍

一句话定位：Google 于 2026 年推出的旗舰级创意文字转语音模型，专为「录音室级音色保真 + 富有表现力的表演 + 地道方言 + 长篇多轮稳定」设计。在 Hume AI Voice Design Benchmark 上以 71.4 分拿下总榜第一，Accent Modeling 以 60.8 分领先，Overall Quality Index 与 Flash-Lite 分列第 1、第 2。支持 130 种语言、30 种预置语音 + 2,000 多种扩展语音 + 语音设计 + 语音复刻。
整理日期：2026-10-10 ｜ 资料来源见文末 ｜ 相关：近期新模型总览
项目信息
模型 IDgemini-3.8-flash-tts（珂艾网关同名可直接调用）
厂商Google（Gemini 音频模型系列）
定位旗舰创意 TTS：有声读物、录音室旁白、复杂多人对话
模态文本输入（仅支持文本）→ 音频输出
Token 限制输入 8,192 / 输出 16,384
支持语言130 种（含地区口音与少数民族方言）
单人 / 多人语音均支持
流式支持
语音设计 / 语音复刻均支持
第三方成绩Hume AI Voice Design Benchmark 71.4（第 1）；Accent Modeling 60.8（领先）；Hume Overall Quality Index 第 1
姊妹模型gemini-3.8-flash-lite-tts（101 种语言，高吞吐低成本）

一、官方上线介绍#

Gemini 3.8 Flash TTS 是 Google 音频模型家族的新旗舰，官方定位是「为创意级语音生成重新设定的基准」。它和 Flash-Lite 版本共用完全相同的 API 结构与提示结构，切换只需改模型名。
四大核心能力（官方口径）
1.
音色保真与表演细节：丰富的情感范围、自然语调，严格遵循回合级 style 指令与内嵌语音事件（笑声、咳嗽、叹气等）。
2.
长篇多轮稳定性：在长对话和数分钟旁白中保持声音身份、音色、音量与室内音调一致，不漂移。
3.
地区口音与发音：支持 130 种语言的地区口音、少数民族方言，以及行内 IPA（国际音标）覆盖。
4.
完整语音生态：30 种预置语音、扩展语音库 2,000+ 种、语音设计（Voice design）自定义人格、语音复刻（Voice replication）。
Voice Arena 盲测表现：在日语、巴西葡萄牙语、越南语、现代标准阿拉伯语（MSA）、墨西哥西班牙语、印地语等关键全球语言中均取得领先位置。
从旧版迁移（3.1 → 3.8，重要）
Gemini 3.8 把「台词」和「导演指令」彻底分开了，这是升级时最容易踩的坑：
场景3.8 做法
持续性表演风格（如耳语）放进结构化元数据 speech_metadata.style
说话人标签放进 speech_metadata.speaker（多人场景每轮都必须指定）
瞬时非语言发声（笑声/咳嗽/叹气）用尖括号行内保留在台词文本里
自定义音色改用 Voice design 创建，替代旧版大段 Audio Profile
⚠️ 关键行为变化：3.8 会把输入文本严格当作逐字台词。旧版那种「Say cheerfully: Hello!」的写法，新版可能把指令念出来。迁移时必须改结构。
另一个迁移陷阱：3.8 默认返回带标准 RIFF 头的 WAV 音频，而旧版默认返回无头 PCM。如果你的代码里用 Python wave 模块或 ffmpeg 手动包过 WAV 头，需要去掉那层包装，直接写文件。需要无头 PCM 时显式设 response_format 为 audio/l16 或 audio/mulaw / audio/alaw。
安全与合规
语音复刻需同意验证：必须提供与参考说话人匹配的语音同意录音，验证通过才能创建。
所有音频嵌入 SynthID 水印：不可感知水印直接织入音频输出，确保 AI 生成语音可被检测，防止虚假信息。
AI Studio 的语音复刻在伊利诺伊州、德州、EEA、英国、瑞士、印度不可用。
生态与合作伙伴：Agora、LiveKit、Pipecat、Vercel 等平台可直接接入；Figma、HeyGen、Linguana、Wondercraft、99.co、Ollang 等在集成，用于加速全球配音、媒体本地化与规模化对话语音代理。

二、KOL / 开发者实测反馈#

Google AI Studio 开发者指南（官方实操视角）：明确给出选择规则——
默认把 gemini-3.8-flash-lite-tts 当作 gemini-3.1-flash-tts-preview 的平替升级；
只有在需要「录音室级表演细节、带回应的多人对话、方言表演、长篇叙事稳定性」时才切到 Flash 档。
Google 官方数据（相对 3.1 的提升）：在长篇内容和双人剧本控制上有显著改进；Voice Arena 盲测中 Flash 与 Flash-Lite 分别在关键语言里拿下领先位置。
第三方榜单交叉验证：
Hume AI Voice Design Benchmark 总榜第 1（71.4 分）；
Accent Modeling 第 1（60.8 分）——方言能力有独立榜单背书，不是自说自话；
Hume AI Overall Quality Index 第 1，Flash-Lite 第 2。
相比 OpenAI 路线的一处优势：语音复刻的同意验证机制是产品化设计（需真人同意录音匹配），适合有合规要求的商业配音场景；生成的音频还带 SynthID 水印，方便平台侧合规审核。
实际使用体感要点（开发者指南强调）：
过去把台词和指令写在同一个字符串里，模型有时会把舞台指令念出来；3.8 彻底解决了这个问题；
多人对话场景每一轮都必须显式指定 speaker，且要匹配已配置的说话人之一，否则一致性会崩；
语音复刻默认是持久化存储的音色，也可选无状态的 key 方式。

三、核心优势#

1.
音色与表演质量行业顶尖：Hume AI 三个榜单总榜第一，情感范围与语调自然度是当前第一梯队。
2.
130 种语言 + 方言：含地区口音与少数民族方言，行内 IPA 可精确覆盖——这是多语言配音场景的硬门槛。
3.
长篇不漂移：数分钟旁白与长对话中保持音色、音量、室内音调一致，避免「播到后面换了个人」。
4.
多人对话可控：支持带 backchanneling（附和反应）的双人场景，听感接近真实对话。
5.
非语言发声可编排：笑声、咳嗽、叹气等瞬时事件可用尖括号行内标记，实现自然的听感细节。
6.
音色生态完整：2,000+ 扩展语音库 + Voice design 自定义人格 + 语音复刻，覆盖从通用到定制的全部需求。
7.
合规做得扎实：复刻需真人同意录音验证 + 全量 SynthID 水印，适合商业场景。
8.
与 Lite 档同构 API：切换只改模型名，工程迁移成本极低。
9.
生态成熟：Agora / LiveKit / Pipecat / Vercel 直接支持，HeyGen 等已在生产使用。

四、适合用在哪#

有声读物 / 长篇旁白：数分钟到数十分钟不漂移，是本模型最强项。
录音室级内容制作：广告旁白、品牌音频、纪录片配音。
复杂多人对话剧本：动画对白、播客双人访谈、游戏剧情，带附和反应。
方言与本地化配音：需要地道地区口音或少数民族方言的影视、新闻、教育内容。
发音困难的专有名词：行内 IPA 覆盖解决人名、品牌名、专业术语读错的问题。
带文字的情绪化表达：靠台词中的表演指令 + 情绪化演法传达语气。
视频重制 / 多语言版本：配合 Nano Banana 2.1 做图片 + 语音一体的内容流水线。
经验法则：Flash 档做「作品」，Lite 档做「功能」。有声内容、剧情内容用 Flash；客服、朗读、实时语音代理用 Lite。

五、劣势与注意事项#

1.
仅支持文本输入：不能上传音频做音色分析或处理，输入模态被限制在文字。
2.
token 限制较紧：输入上限 8,192、输出上限 16,384。长文本需要分段合成再拼接。
3.
生成速度慢：Flash 档是 1K 图像那个级别「质量优先」的定位，实时语音代理场景不适用——那种场景应该用 Lite 档或 Gemini 3.8 Live。
4.
多人对话配置要求高：每轮必须显式指定 speaker 且需匹配配置，否则一致性会崩，配置工作量比单声大。
5.
迁移必须改结构：台词与导演指令要分离到 speech_metadata，否则舞台指令会被念出来；WAV 头也要改处理逻辑。
6.
API 无 Flash 档 Lite 那样便宜：旗舰档成本更高，不适合大批量实时生成。
7.
语音复刻有地域限制：伊利诺伊、德州、EEA、英国、瑞士、印度不可用（AI Studio）。
8.
强方言和极端表演可能失真：130 种语言覆盖广，但每种语言的表演深度和自然度并不均衡，极端 case 建议人工试听。
9.
需自建音色库管理：2,000+ 语音 + 自定义音色需要自建选择与管理体系，不能只靠内置列表。

六、与同代 / 竞品选型对比#

Gemini 3.8 TTS 两档怎么选（官方推荐）#

特性 / 场景gemini-3.8-flash-ttsgemini-3.8-flash-lite-tts
主要优势最高音色保真、表演细节、方言覆盖高吞吐、低延迟、高性价比
最佳场景有声读物、录音室旁白、复杂多人对话、密集语音爆发、发音困难、方言大批量生产、实时语音代理级联、朗读功能、语音复刻、日常单人生成
支持语言130 种101 种
第三方排名Hume Overall Quality Index 第 1；Voice Design 71.4 第 1；Accent 60.8 第 1Hume Overall Quality Index 第 2
迁移建议—作为 gemini-3.1-flash-tts-preview 的默认平替

Gemini 音频模型家族选型#

需求推荐模型
创作级 TTS（作品级）gemini-3.8-flash-tts
大批量 / 实时 TTSgemini-3.8-flash-lite-tts
低延迟语音代理（默认首选）gemini-3.8-live
语音代理需要更强后台推理gemini-3.8-live-extended-thinking
语音转文字gemini-3.5-transcribe
低延迟双向语音 / 视频代理gemini-2.5-flash-live
官方已把 gemini-3.1-flash-tts-preview 标记为旧版，建议迁移到 Gemini 3.8 TTS；gemini-3.1-flash-live-preview 建议迁移到 gemini-3.8-live。

不同推荐维度#

你想解决什么首选理由
有声读物 / 长篇旁白Gemini 3.8 Flash TTS130 语言、长篇不漂移
录音室级表演Gemini 3.8 Flash TTSHume 总榜第 1、Voice Design 第 1
精确方言 / 地区口音Gemini 3.8 Flash TTSAccent Modeling 第 1（60.8）
复杂多人对话 / 剧情对白Gemini 3.8 Flash TTS支持 backchanneling、双人剧本
语音复刻（需合规）Gemini 3.8 Flash TTS / Flash-Lite同意验证 + SynthID 水印
实时语音代理Gemini 3.8 Live低延迟、无推理阻塞
大批量朗读 / 客服Gemini 3.8 Flash-Lite TTS高吞吐低成本、101 语言
语音转文字Gemini 3.5 Transcribe字词级时间戳、说话人区分

搭配建议#

图文视频流水线：gemini-nano-banana-2.1 出画面 + gemini-3.8-flash-tts 出配音，适合批量做内容。
实时语音代理：gemini-3.8-live 负责实时对话理解与响应，gemini-3.8-flash-lite-tts 或 Flash TTS 负责最终语音合成。
多语言版本：Flash TTS 出主语言配音，其他 100+ 语言批量用 Flash-Lite 出，再统一混音。

七、在珂艾网关怎么调#

项目信息
模型 IDgemini-3.8-flash-tts
计费方式按量计费（按输入 / 输出 token）
可用分组Aistudio-Gemini-2、Aistudio-Gemini-3、Aistudio-Gemini-4、Vertex-Gemini-2、Vertex-Gemini-3
各分组实际价格（$/每百万 tokens）
分组输入输出
Aistudio-Gemini-2$0.165$2.98
Aistudio-Gemini-3$0.276$4.96
Vertex-Gemini-2$0.188$3.38
Aistudio-Gemini-4$0.597$10.75
Vertex-Gemini-3$0.563$10.12
💡 计费口径提醒：TTS 在本网关按文本输入 + 音频输出 token 计费，不是按时长。音频输出 token 数远多于输入 token 数，所以成本主要由合成的音频长度决定。粗略换算：输出 $2.98/百万（Aistudio-Gemini-2）约等于每 10 万字符音频 ≈ 数美元量级，实际请按自己的文本长度实测。
本网关当前未上架 gemini-3.8-flash-lite-tts（Flash-Lite 档）与 gemini-3.8-live，只有 gemini-3.8-flash-tts 和旧版 gemini-3.1-flash-tts-preview。大批量低成本场景可先用旧版对照，待 Lite 上架后迁移。
多人对话场景：每一段都要带 speech_metadata.speaker 且与已配置 speaker 匹配。瞬时笑声、咳嗽等保留在台词文本里用尖括号标注。输入上限 8,192 tokens，超出需分段。

八、来源#

1.
Google Cloud / AI for Developers — Gemini 3.8 Flash TTS 模型文档：https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/gemini/3-8-flash-tts
2.
Google — Gemini 3.8 Flash TTS（API 文档，含迁移指南与 speech_metadata 结构）：https://ai.google.dev/gemini-api/docs/models/gemini-3.8-flash-tts
3.
Google DeepMind — Say hello to Gemini 3.8 text-to-speech（发布博客、Hume 榜成绩、SynthID）：https://deepmind.google/blog/say-hello-to-gemini-38-text-to-speech
4.
Google AI Studio — Gemini 3.8 Flash TTS 开发者指南（Flash vs Lite 选型）：https://aistudio.google.com/learn/gemini-3-8-flash-tts-developer-guide
5.
Google — Gemini 音频模型总览（Live / TTS / Transcribe 选型）：https://ai.google.dev/gemini-api/docs/models
6.
珂艾网关 — 当前在架模型与价格页（2026-10-10 核对，实际单价以价格页为准）
说明：Hume AI 各项成绩为第三方独立评测结果，模型更新迭代快；成本换算为按 token 口径的粗略估算，实际请以自身文本长度在网关实测为准。
修改于 2026-11-02 17:01:22
上一页
Claude Opus 5.5 模型介绍
下一页
Gemini Nano Banana 2.1 模型介绍
Built with