先问一个很实际的问题：你要给产品加一段语音，一般怎么解决？
大多数人会打开某个 TTS 的定价页，在「标准音色」那一栏挑一个听起来最不像机器人的，然后接受它念数字时的诡异停顿。因为自定义音色的门槛一直很高——要么训练一个模型，要么付一大笔钱。
9 月 23 日，Google 把这件事的门槛砍到了「30 秒录音」。
两个模型，分工很清楚Google 发布了两个新的语音合成模型：
Gemini 3.8 Flash TTS —— 面向创意和角色设计。你可以用自然语言 prompt 从零「设计」一个声音，而不是从预设列表里挑。官方的说法是「把语音生成从静态预设变成一个动态创作工作室」。它支持对每一句台词做粒度控制：表演提示、节奏、口音切换，甚至对话中的语气填充。
Gemini 3.8 Flash-Lite TTS —— 面向高并发、低成本场景。大批量配音、音频内容生产、有表现力的语音 agent。
音色库从过去的 30 个原创音色，扩到了 2,000+ 个生产可用音色，覆盖 100 多种语言和方言——包括墨西哥西班牙语、魁北克法语、苏格兰英语这种「真的有地区差异」的细分。
而且可以真的造新声音。你描述角色、口音和声音特征，它给你生成一个不存在的音色。官方 demo 里有个例子很直观：一个日语的龙。字面意义上的、会喷火的那种。
30 秒录音 + 一个绕不开的问题最有冲击力的功能是声音复刻：
> Recreate consistent vocal profiles from just a 30-second audio sample of your voice or a voice you have the rights to use.
> 只用 30 秒音频样本，就能复刻一个一致的声音——前提是那是你的声音，或者你有权使用的声音。
「或者你有权使用的声音」这半句，才是整个功能里技术含量最高的部分。因为语音克隆这件事，能力上早就够了，卡住的从来是信任。
Google 在合规上堆了三层：
同意验证：要创建复刻音色，必须提供声音所有者的一段口头同意录音，且要和参考说话人匹配SynthID 水印：每一段生成的音频都嵌入了人耳无法察觉的水印，用于事后检测 AI 生成内容C2PA 凭证：给内容来源做可验证的凭据这三层能不能真正解决问题，是另一个话题。但至少说明厂商已经清楚：语音克隆的瓶颈不在模型，在治理。
还有个「即将推出」的功能值得记一下——voice remixing：从音色库里挑一个现成的声音，然后用 prompt 微调音色、音高、语速和口音。官方举的例子是「加一点轻微的美国南方口音」或者「让表达更柔和」。这意味着未来你可以把「音色」当成一个可以连续调参的旋钮，而不是离散的选项。
真正的使用场景：多人对话单人说一段话，很多 TTS 都能做。Google 这次重点推的是多角色对话。
你可以用一份脚本，直接导演一场多轮对话——两个说话人从同一份脚本出发，各自保持独立的音色，还有自然的轮次交接。官方把这个能力描述为 native two-speaker scene staging，专门为播客和戏剧化叙事设计。
细节上还支持「剧本化的非语言音」和「对话填充」：
非语言音：``、``、``对话填充：`|mhm|`、`|yeah|`这两类东西看起来很小，但它们恰恰是「听起来像真人」和「听起来像播报」的分界线。真人说话会笑、会叹气、会在对方讲话时「嗯」一声，而过去的 TTS 只会干净利落地把台词念完。
长内容方面，官方强调可以在数小时的连续音频里保持音色一致、节奏自然，speaker drift（音色漂移）很小。
Simon 的玩法：一个 prompt，一个 playgroundSimon Willison 的测试方式一如既往地有个性。他没有去比较什么商业场景，而是先让 Claude 4.5 Opus 写了一份剧本——两只鹈鹕争论要不要搬到 Pacifica Pier。
然后他做了两件事：
1. 用 GPT-6 Astra vibe code 了一个 bring-your-own-key 的 playground，直接利用 Gemini API 开放的 CORS 策略，所以纯前端就能跑
2. 让 Claude 生成一个 URL，把这个剧本渲染成音频
结果是：生成 1 分 18 秒的音频用了大约 20 秒，成本 2.74 美分。
这个 playground 本身也有些实用设计：支持单人和多人说话模式，可以预览音频、查看请求和响应详情，而且compose 设置可以存成可分享的 URL。你调好的那套音色和参数，一个链接就能发给同事。
顺带一提，这又是一个「vibe coding 的边界在哪」的样本。一个下午、一个 prompt、一个能用的多人说话 TTS 试验场。放在两年前，这是个需要排期的内部工具项目。
榜单表现Google 这次引用了几个第三方评测：
Hume AI Voice Design Benchmark：整体第一（71.4 分），口音建模也是第一（60.8 分）Hume AI Overall Quality Index：Flash TTS 第一，Flash-Lite TTS 第二Voice Arena 的盲测人类偏好：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、印地语等语种上都处于领先位置这些榜单不必当成定论，但至少说明：多语言和口音质量是这一代的重点优化方向，而不是只把英语做好然后其他语言凑合。
这对做产品的人意味着什么一，语音界面的成本结构在变。 需要高表现力的时候用 Flash TTS，需要大规模跑量的时候用 Flash-Lite——这个双档设计本身就是给产品定价用的。语音 agent 从「能做」到「做得起」，差的就是这一档。
二，生态已经就位。 Google 明确列了合作方：Agora、LiveKit、Pipecat、Vercel 这些语音基础设施可以直接调；Figma、HeyGen、Linguana、Wondercraft、99.co、Ollang 在用它做全球配音和本地化。也就是说，你不需要从零搭一套语音链路。
三，合规能力本身可以成为产品差异点。 同意验证、SynthID、C2PA 这三样东西，对做配音、有声书、教育内容的产品来说，不是「顺便带上」的功能，而是能不能合规上线的门槛。
四，也是最容易被忽略的一点：真正稀缺的从来不是音色，是剧本。 Simon 那个例子里最有意思的不是 TTS 有多好，而是剧本是另一个模型写的。当声音、图像、代码都能被生成之后，决定内容质量的环节会往前移到「你到底想说什么」。两只鹈鹕要不要搬家，这个问题模型替你想不出来。

来源：simonwillison.net/2026/Sep/23/gemini-tts-playground/、blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-text-to-speech/