Gemini 3.8 text-to-speech

原始链接: https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-text-to-speech/

Gemini 3.8 Flash TTS 具备领先的语音定制能力，在 Hume AI 的语音设计基准测试中以 71.4 分位列总榜第一，并在口音建模（60.8 分）方面同样处于领先地位。 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 能够在不牺牲可靠性的前提下实现极具表现力的语音演绎，并在 Hume AI 的综合质量指数中分别占据第一和第二名。与 Gemini 3.1 Flash TTS 相比，该模型在长文本内容和双人剧本控制等多种使用场景中均有显著提升。在 Voice Arena 的盲测评估中，Gemini 3.8 Flash 和 Flash-Lite TTS 在日语、巴西葡萄牙语、越南语、现代标准阿拉伯语 (MSA)、墨西哥西班牙语和印地语等全球主要语言中，均在竞争对手中名列前茅。这些模型支持超过 100 种语言，助力创作者、开发者和企业在全球范围内构建高质量的多语言语音体验。

围绕谷歌新款 Gemini 3.8 文本转语音（TTS）发布的讨论，反映出技术层面的关注与对谷歌企业架构的强烈不满。 **主要观点：** * **平台碎片化：** 谷歌在消费者产品、专业用户产品与云服务（GCP）之间缺乏统一标准，令用户感到困扰。各平台间的功能甚至模型差异显著，导致企业用户难以可靠地集成这些工具。 * **技术转型：** 此次发布内置语音克隆功能，表明谷歌不再认为该技术过于敏感而不宜发布。这很可能是因为高质量的开源替代方案（如 Qwen3-TTS、Kokoro 和 Fish Audio）已使该技术普及化。 * **性能顾虑：** 尽管该技术表现亮眼，但许多用户认为其输出效果过于“戏剧化”或夸张。批评者指出，现实应用场景通常需要清晰、克制的“电脑语音”，而非演示中那种过度强调 AI 生成的情感渲染。 * **“部落冲突”文化：** 评论者经常将谷歌这种脱节的产品策略归因于内部孤岛效应和相互竞争的优先事项。他们认为，这种“松散联邦”式的管理模式，始终是阻碍该公司提供统一用户体验的顽疾。

Gemini 3.8 Flash TTS delivers leading voice customization capabilities, securing the #1 overall spot on Hume AI’s Voice Design Benchmark (71.4) and also leading in accent modeling (60.8).

Gemini 3.8 Flash TTS and Gemini 3.8 Flash-Lite TTS enable truly expressive performances without sacrificing reliability, also securing the #1 and #2 spots respectively on Hume AI’s Overall Quality Index. The model shows major improvements on a wide range of use cases such as long-form content and dual-speaker screenplay control compared to Gemini 3.1 Flash TTS.

In blind human preference evaluations on Voice Arena, Gemini 3.8 Flash and Flash-Lite TTS secure top positions amongst competitors in key global languages, including Japanese, Brazilian Portuguese, Vietnamese, Modern Standard Arabic (MSA), Mexican Spanish and Hindi. With support for over 100 languages, these models empower creators, developers, and enterprises to build high-quality, multilingual voice experiences worldwide.