Gemini 3.8 Flash TTS 是 Google 的旗舰创意文字转语音模型，于 2026 年 9 月 23 日与更便宜的姊妹模型 Gemini 3.8 Flash-Lite TTS 同时发布。Google 把这一对模型定位为让语音生成「从静态预设走向动态创意工作室」：你可以用一段文字提示词设计全新的声音，像写剧本一样逐句导演，并让声音在长时间录音中保持稳定。
模型代码是 gemini-3.8-flash-tts。它输入文本、输出音频，按音频 token 计费，每秒 25 token——这就是 每 10 秒 $0.00225 这个标题价格的由来。该价格是推广期价格，到 2026 年 12 月 31 日结束。
Flash TTS 与 Flash-Lite TTS
两个模型共用同一套 API schema 和提示词结构，所以切换只需要改模型名。
| Gemini 3.8 Flash TTS | Gemini 3.8 Flash-Lite TTS | |
|---|---|---|
| 模型代码 | gemini-3.8-flash-tts | gemini-3.8-flash-lite-tts |
| 强项 | 声音保真度、表演细腻度、方言覆盖 | 高吞吐、低延迟、低成本 |
| 语言 | 130 种 | 101 种 |
| 适合 | 有声书、录音室旁白、复杂多人对话、爆发式表演、难发音内容 | 大批量生产、实时语音智能体级联、朗读、声音复刻、日常单人输出 |
| 2026 年内音频输出价 | $9 / 100 万 token（每 10 秒 $0.00225） | $6 / 100 万 token（每 10 秒 $0.0015） |
| 2027 年 1 月起音频输出价 | $18 / 100 万 token（每 10 秒 $0.0045） | $12 / 100 万 token（每 10 秒 $0.003） |
有哪些新东西
- 生成式声音设计。 用自然语言描述角色、口音和声音特征，覆盖 100 多种语言——Google 的演示包括墨尔本 DJ、单调的小铁皮机器人以及一条日本龙。设计好的声音可以保存复用，漂移极小。
- 体量很大的声音库。 除约 30 个原创声音之外，Google 列出 2,000+ 个可直接用于生产的声音，包括墨西哥西班牙语、魁北克法语、苏格兰英语等地区变体。声音混音——调整库内声音的音色、音高、语速与口音——仍为「即将推出」。
- 声音复刻。 用 30 秒样本即可复刻你有权使用的声音，需通过口头授权验证，并带 SynthID 水印与 C2PA 凭证。
- 逐句表演控制。 风格与说话人指令放进结构化的
speech_metadata；<laugh>、<sigh>、<cough>、<breath>、<short pause>等短暂非语音事件则内嵌在文本中。Google 还演示了 |mhm| 这类附和式反馈（backchanneling）。 - 原生双人场景：从一份脚本生成音色分明、轮流自然的两个声音；并支持小时级长篇生成，说话人漂移极小。
- 地区口音与少数民族方言，输入语言自动检测，覆盖 130+ 种语言。
基准成绩
Google 称 Gemini 3.8 Flash TTS 在 Hume AI 的 Voice Design Benchmark 上以 71.4 分位居总榜第 1，口音建模得分 60.8 也居首。在 Hume 的整体质量指数上，Flash 与 Flash-Lite TTS 分列第 1、第 2；在 Voice Arena 的盲测人类偏好评测中，它在日语、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语言上位居前列。这些都是 Google 自行披露的结果——在把它们当作定论之前，请先查看实时榜单，尤其是你要上线的语言。
独立的盲测投票就没有这么好看了。在 Artificial Analysis 语音竞技场（2026 年 10 月，各厂商自带声音）上，Gemini 3.8 Flash TTS 排第 5，Elo 1274，落后于 Eleven v4 Turbo（1330）、Eleven v4（1326）、Qwen-Audio 3.1 TTS-Plus（1298）和 Cartesia Sonic 3.6（1286）；Flash-Lite TTS 排第 8（1246），Gemini 3.1 Flash TTS 排第 13（1214）。它的优势是价格：Flash TTS 每百万字符 $16.50，Flash-Lite $11.00，而 Eleven v4 是 $40–$80。这些数字与 Google 的推广期价格相吻合，而推广价会在 2027 年 1 月 1 日翻倍，所以明年起请按约两倍预算。
在 Artificial Analysis 的克隆声音榜上（所有模型朗读同样的八个克隆声音），Flash TTS 掉到第 17（Elo 1050），Flash-Lite TTS 第 13（1061），而 Eleven v4 和 Qwen-Audio 3.1 TTS-Plus 为 1161–1185。Gemini 的强项是设计声音、库内声音和长篇稳定性；如果你的主要需求是克隆某个特定声音，请先和领先者对比测试。
定价
| 价格（每 100 万 token） | 至 2026 年 12 月 31 日 | 2027 年 1 月 1 日起 |
|---|---|---|
| 文本输入 | $0.50 | $1.00 |
| 音频输出 | $9.00 | $18.00 |
| 每 10 秒音频成本 | $0.00225 | $0.0045 |
作为对比，上一代 Gemini 3.1 Flash TTS Preview 的文本输入为每百万 $1、音频输出为每百万 $20，所以 3.8 Flash TTS 在 2027 年调价前便宜得多，调价后输出价仍低约 10%。该模型有免费档（Google 可能将你的内容用于改进产品），并支持 Batch、Flex 与 Priority 推理。
规格与迁移
- 输入： 仅文本，最多 8,192 token。输出： 音频，最多 16,384 token（Gemini API 服务限制）。
- 不支持： 函数调用、结构化输出、上下文缓存、代码执行、搜索接地、思考、URL 上下文以及 Live API——实时对话请看 Google 另外的 Gemini Live 模型。
- 默认输出 WAV（
audio/wav），一元请求带标准 RIFF 头，不再是早期 Gemini TTS 模型那种无头 PCM。请移除手动给 PCM 套 WAV 头的代码；需要裸音频时，把response_format.mime_type设为audio/l16、audio/mulaw或audio/alaw。 - 提示词变化： 模型逐字朗读文本，因此「Say cheerfully:」这类内嵌指令可能被念出来。请把风格与说话人放进
speech_metadata，多说话人请求的每个回合都标明 speaker，并用声音设计（Voice Design）ID 取代冗长的旧式导演笔记块。 - 截止日期：
gemini-3.1-flash-tts-preview、gemini-2.5-flash-preview-tts与gemini-2.5-pro-preview-tts将于 2026 年 11 月 17 日停服。 - 在哪里用： 目前可在 Gemini API 与 Google AI Studio 使用；Gemini Enterprise 的 API「即将推出」；Gemini Notebook 面向所有用户。Flash-Lite TTS 还支持 Google Vids。
横向对比
- 对比 Eleven v4： ElevenLabs 在盲测投票中领先（第 1、第 2，Gemini 为第 5），克隆声音也好得多，支持 90+ 种语言。Gemini 3.8 Flash TTS 覆盖更多语言（130 种），价格只是零头——按 Artificial Analysis 的数字是每百万字符 $16.50，对比 $40–$80；按 Google 推广期价格折算，每分钟音频约 $0.0135。
- 对比 MiniMax Speech： MiniMax 是以克隆见长的方案，约 10 秒音频即可快速克隆，每百万字符 $60–$100；Gemini 在盲测中排名更高（第 5 对第 19）、价格低得多，并增加了基于提示词的声音设计、场景式双人导演和长篇稳定性。
- 对比 MAI-Voice-2.1： 微软的模型是 Azure 与 Foundry 上的公开预览替代方案——同一个声音跨 23 种语言保持母语口音，5–60 秒片段受控克隆，每百万字符 $22。Gemini 3.8 Flash TTS 的反击是 130 种语言、声音设计和免费档。
- 对比 Qwen-Audio 3.1： 阿里的家族把语音识别、TTS 与实时模型打包在同一产品线中，价格很低；Gemini 则专注于文字转语音的创意导演与声音设计。
局限
- 推广期定价。 从 2027 年起请按每百万音频 token $18 预算。
- API 面较窄。 没有工具调用与缓存，且仅支持文本输入。
- 排名为厂商自述。 Hume 与 Voice Arena 的结果来自 Google 的发布文章；独立的 Artificial Analysis 榜单上它排第 5，克隆声音榜第 17。
- 迁移工作量。 现有提示词与 PCM 处理代码都需要更新。
更多语音与音乐模型见音频模型目录。
适用场景
- 有声书、播客与需要稳定声音的长篇旁白
- 用文字描述设计出来的游戏、动画与配音角色
- 带明确说话人轮次的双人场景与对话脚本
- 覆盖 130 种语言、带地区口音与方言的本地化配音
优缺点
优势
- 生成式声音设计——用自然语言描述角色、口音和人设就能得到全新的声音，此外还有 2,000+ 个现成声音和约 30 个原创声音
- 据 Google 称，在 Hume AI 的 Voice Design Benchmark 上以 71.4 分排第 1，并在其整体质量指数（Overall Quality Index）上排第 1，Flash-Lite TTS 排第 2
- 通过结构化的 speech_metadata（说话人与风格）逐句导演，支持 <laugh>、<sigh> 等内嵌发声事件，并原生支持双人场景编排
- 长篇稳定性——在数分钟的旁白和长对话中保持一致的音色、音量和声学氛围，不出现声音漂移
局限
- 输出价格在 2027 年 1 月 1 日翻倍（$9 涨到 $18 / 100 万音频 token，每 10 秒 $0.00225 涨到 $0.0045）
- 仅支持文本输入、输入上限 8,192 token，且不支持函数调用、缓存与 Live API——它是语音生成器，而不是语音智能体
- 为旧版 Gemini TTS 写的提示词需要迁移：内嵌的风格文字现在可能被朗读出来，一元请求默认返回 WAV 而不是裸 PCM
- Google 的排名是自行披露；在独立的 Artificial Analysis 语音竞技场上它排第 5，落后于 Eleven v4 Turbo、Eleven v4、Qwen-Audio 3.1 TTS-Plus 和 Cartesia Sonic 3.6，在克隆声音榜上排第 17
常见问题
Gemini 3.8 Flash TTS 是什么？
Gemini 3.8 Flash TTS（模型代码 gemini-3.8-flash-tts）是 Google 的旗舰创意文字转语音模型，2026 年 9 月 23 日与更便宜的 Gemini 3.8 Flash-Lite TTS 一同发布。它面向录音室级保真度、富有表现力的表演、地区口音，以及可靠的长篇多轮稳定性。
Gemini 3.8 Flash TTS 多少钱？
到 2026 年 12 月 31 日，文本输入每 100 万 token $0.50，音频输出每 100 万 token $9，Google 折算为每 10 秒音频 $0.00225。从 2027 年 1 月 1 日起这些价格翻倍，为 $1 和 $18，即每 10 秒 $0.0045。Flash-Lite TTS 目前音频输出为每 100 万 token $6，2027 年起 $12。
Flash TTS 与 Flash-Lite TTS 有什么区别？
两者共用同一套 API schema 和提示词结构。Flash TTS 追求最高的声音保真度、表演细腻度与方言覆盖（130 种语言），适合有声书、录音室旁白和复杂多人对话。Flash-Lite TTS 面向高吞吐、低延迟和低成本（101 种语言），适合大批量生产、实时语音智能体的级联流程、朗读和声音复刻。
Gemini 3.8 Flash TTS 能克隆声音吗？
可以。Google 称声音复刻可用你自己的声音或你有权使用的声音的 30 秒样本重建一致的声音档案，并有内置的授权验证（需要口头授权录音）、SynthID 水印与 C2PA 凭证保护。Gemini Audio 模型生成的音频都带有 SynthID 水印。
从 Gemini 3.1 Flash TTS 升级需要改提示词吗？
需要。Gemini 3.8 TTS 把输入文本严格视为逐字转写，所以要把风格和说话人指令移到 speech_metadata，而不是写在文本里。尖括号标记只用于 <laugh>、<short pause> 这类短暂事件，多说话人请求的每个回合都要指定 speaker，并预期默认输出 WAV。
旧的 Gemini TTS 预览模型什么时候停服？
Google 弃用页列出 gemini-3.1-flash-tts-preview、gemini-2.5-flash-preview-tts 与 gemini-2.5-pro-preview-tts 的停服日期均为 2026 年 11 月 17 日，推荐替代为 Gemini 3.8 Flash TTS 或 Flash-Lite TTS。两个 3.8 模型暂无停服日期。