Gemini 3.8 TTS 是 Google 于 2026 年 9 月 23 日发布的两款语音合成模型，可以用于 AI 配音、视频旁白和播客制作。日常制作选 Flash-Lite（成本更低），需要精细控制角色表演选 Flash。中文配音基本可用，NotebookLM 接入后中文朗读质量有明显提升。API 成本约每音频小时 $0.54–$0.81，是 ElevenLabs 旗舰模型的三分之一左右。但中文语音的“人味”和自然度与 ElevenLabs 仍有差距，敏感或品牌级内容建议先试听再决定。
【快速答案】
- 两款模型怎么选：Flash（
gemini-3.8-flash-tts）适合角色设计、有声书、播客等需要精细控制表演的场景；Flash-Lite（gemini-3.8-flash-lite-tts）适合批量视频配音、语音智能体等追求效率的场景。 - 免费能用吗：可以在 Google AI Studio 免费体验。Gemini Notebook 也集成了该功能。免费层的数据会被用于 Google 产品改进，商用稿件建议走付费层。
- 中文效果：支持简体中文和繁体中文，NotebookLM 接入后中文朗读质量显著提升，知识博主反馈“读中文完全没毛病”。
- API 价格：Flash 音频输出 $9/百万 token，折合约 $0.81/音频小时；Flash-Lite 音频输出 $6/百万 token，约 $0.54/音频小时。2027 年 1 月起价格翻倍。
- 和 ElevenLabs 的差距：价格是 Eleven v3 的约三分之一，Arena Elo 评分 1,260 对 1,167 领先，但在“拟人化变化”和“声音相似度”上 ElevenLabs 仍然更强。
- 声音克隆：30 秒录音样本即可复刻声音，需要同意验证录音，生成音频带 SynthID 水印。
核查时间：以上信息核查于 2026 年 9 月 28 日。
Gemini 3.8 TTS 到底有哪两款模型？
Google 这次发布了两款定位不同的 TTS 模型，不是“一好一差”，而是“一个做深度，一个做广度”。
Gemini 3.8 Flash TTS（gemini-3.8-flash-tts）是旗舰型号，面向“需要精细控制表演”的场景。它的核心能力包括：用自然语言提示从零设计全新声音、逐行控制台词的表演方式（语气、节奏、口音）、支持原生双人对白、长篇内容生成时保持音质稳定。官方定位是游戏角色配音、沉浸式有声书、播客和互动媒体。
Gemini 3.8 Flash-Lite TTS（gemini-3.8-flash-lite-tts）面向“高并发、低成本”的场景。它同样支持语音克隆和语音设计，但在表现力上有所取舍，更适合大批量视频配音、音频内容量产和语音智能体。
两款模型的共同能力：支持超过 100 种语言和方言、提供 2,000+ 种预设声音、30 秒音频样本即可复刻声音、生成音频带 SynthID 水印和 C2PA 凭证。
一个容易混淆的点：这两款是“文本转语音（TTS）”模型，和 9 月初发布的 Gemini 3.8 Live（实时语音对话）是不同的产品。Live 是“你说话它回话”，TTS 是“你给文本它读出来”。用官方的话说，TTS 专为“需要精确朗读文本并对风格和声音进行精细控制的场景”设计，比如播客或有声书生成。
用 Gemini 3.8 TTS 做配音：实际操作是什么样的？
基础流程：输入文本 → 获得音频
最基础的使用方式是在 Google AI Studio 中选择模型、输入文本、选择声音，然后生成音频。AI Studio 提供免费体验额度，适合先试效果再决定是否投入正式项目。
逐行控制表演：这是 Flash 最实用的功能
Flash TTS 的核心卖点是“每一行台词都能精确控制”。实际操作中，你可以在文本中插入表演指令来指导模型的朗读方式。
一个中文配音的示例脚本：
text
[冷静、专业] 欢迎收听本期节目。今天我们要讨论的是人工智能在内容创作中的实际应用。 [语调上扬，带一点好奇] 你可能已经听说过 Gemini 3.8 TTS 了。 [停顿，节奏放慢] 但真正的问题是——它到底能不能用来干活？ [语气坚定] 答案是：能，但有条件。
除了方括号标注风格，Flash TTS 还支持行内标签来控制细节：大写单词表示强调、管道符包裹的内容表示插入的听众反应（如 |嗯哼|），以及用角色名和冒号开始每一行来生成双人对白。
一个实用的技巧：即使文本是中文，音色控制标签也建议统一用英文书写，模型对英文标签的识别更准确。
声音克隆：30 秒就能复刻一个声音
Gemini 3.8 Flash TTS 支持基于 30 秒音频样本复刻声音。实际操作流程是：录制一段 30 秒的清晰语音样本 → 在 AI Studio 或 API 中上传 → 系统进行同意验证 → 模型生成可复用的声音配置。
生成的声音带有 SynthID 电子水印，经过反复重编码后水印会衰减，但 C2PA 凭证会保留在文件元数据中。
有用户用 22 秒的语音样本尝试克隆自己的声音，模型生成的结果“有相似之处但听得出是不同的人在读”。社区对比测试也显示，Gemini 的声音克隆在“听起来像同一个人”这个维度上不如 Fish Audio 等专业工具。如果你对声音相似度要求极高，声音克隆可能不是 Gemini 的强项。
做播客：Gemini 3.8 TTS 能替代真人吗？
这是很多播客制作者最关心的问题。答案是：能降低制作门槛，但替代不了有辨识度的真人主播。
适合的场景：知识类播客、信息播报、脚本化的双人对话节目。有社区开发者基于 Gemini 3.8 Flash TTS 制作了实时 AI 播客 Demo，用双主播模式生成节目，听众可以实时收听和提问。
不适合的场景：需要强个人风格、即兴反应、真实情感表达的脱口秀或访谈类节目。
一位做了三年多播客的创作者分享了他的体验：一集 30 分钟的节目，找人录几百块起步，自己录两小时打底。AI 配音他试过很多，之前的结果是“三秒钟就能听出来是机器”——那种永远不带情绪的“播报腔”。他对 Gemini 3.8 TTS 的评价是：过去需要在录音棚里反复调整的表演细节，现在可以在文本层直接指定。
一个关键的技术优势：Flash TTS 支持长篇生成时保持音质稳定，这意味着做 30 分钟以上的播客节目不会出现后期音质漂移的问题。
做视频旁白：Flash-Lite 才是主力
如果你主要用 TTS 做视频配音——比如 YouTube 视频、课程旁白、产品演示——Flash-Lite 是更合适的选择。
Flash-Lite 针对“大批量视频配音和音频内容量产”做了优化，在效率和表现力之间取得平衡。对于不需要复杂角色表演的旁白内容，Flash-Lite 的质量完全够用，而成本只有 Flash 的三分之二。
实际成本换算：
| 模型 | 音频输出价格 | 每音频小时成本 | 每 10 分钟视频成本 |
|---|---|---|---|
| Flash TTS | $9/百万 token | 约 $0.81 | 约 $0.14 |
| Flash-Lite TTS | $6/百万 token | 约 $0.54 | 约 $0.09 |
数据来源：Admina 基于官方定价的换算数据。2027 年 1 月起价格将翻倍。
10 分钟视频的旁白成本不到一块钱人民币。相比真人配音，这个成本优势非常明显。
中文配音效果怎么样？
能用，而且比预期好。 NotebookLM 接入 Gemini 3.8 TTS 后，中文朗读质量有明显提升，知识博主反馈“读中文完全没毛病了”，尤其适合快速产出视频内容。
多语言配音评测显示，Gemini 3.8 Flash TTS 可以处理中文有声书脚本，并通过提示词切换墨西哥西班牙语、魁北克法语、苏格兰英语等区域口音完成配音。语言表中包含简体中文、繁体中文和粤语。
但有几个需要注意的地方：
第一，Google 官方公告中没有单独展示中文评测结果，目前的中文好评主要来自用户社区反馈。第二，官方帮助文档中有繁体中文的文字支持，但中文语音的自然度评价来自用户社区反馈，截至本文核查时官方未单独发布中文语音质量评测数据。第三，如果你追求的是“听起来完全像真人”的中文配音，ElevenLabs 在拟人化变化方面仍然更强。
和 ElevenLabs 比，到底差在哪？
这是最直接的对比问题。先看价格。
| 维度 | Gemini 3.8 Flash TTS | ElevenLabs Eleven v3 |
|---|---|---|
| Arena Elo | 1,260 | 1,167 |
| 每百万字符成本 | 约 $33 | $100 |
| 支持语言 | 130 种 | 70+ 种 |
| 每请求字符上限 | 约 8,000 字符 | 5,000 字符 |
| 拟人化变化 | 良好 | 优秀 |
数据来源：OrcaRouter 基于 Artificial Analysis Provider Voice Arena 的对比数据。
Gemini 的 Arena Elo 评分（1,260）实际上高于 ElevenLabs（1,167），价格只有后者的约三分之一。但这里有一个容易被忽略的细节：Arena Elo 衡量的是“综合质量”，不单独反映“声音像不像真人”这个维度。在声音质量和拟人化变化类别中，ElevenLabs 仍然保持较高分数。
简单判断：如果你需要批量生产配音、成本敏感、内容以信息和教育为主，Gemini 3.8 TTS 的性价比更高。如果你的内容对“声音的人味”有极高要求——比如品牌广告、情感类内容——ElevenLabs 仍然值得多花的钱。
免费版能用到什么程度？
Google AI Studio 可以免费体验 Gemini 3.8 TTS，生成次数有限制，适合试效果和评估是否满足需求。
Gemini Notebook 也集成了 TTS 功能，所有用户都可以使用。NotebookLM 接入后中文朗读效果受到用户好评。
一个重要的限制：免费层的数据会被用于 Google 产品改进。如果你要处理商业稿件或敏感内容，建议走付费 API 或等待 Gemini Enterprise 集成。
API 层面：Vercel AI Gateway 为未付款用户提供每 30 天 $5 的免费额度。按 Flash TTS 的价格计算，$5 可以生成约 6 小时的音频——足够测试一个完整的小项目。
按场景选：你到底该用哪个？
| 你的场景 | 推荐模型 | 理由 |
|---|---|---|
| 知识类播客（双人对话） | Flash TTS | 原生双人对白，逐行控制表演 |
| 有声书制作 | Flash TTS | 长篇音质稳定，声音克隆保持角色一致 |
| 游戏角色配音 | Flash TTS | 自然语言设计声音，口音和风格可控 |
| YouTube 视频旁白 | Flash-Lite TTS | 成本更低，旁白场景够用 |
| 课程视频批量配音 | Flash-Lite TTS | 适合高并发，成本约 $0.09/10分钟 |
| 语音智能体（客服等） | Flash-Lite TTS | 官方推荐的语音代理场景 |
| 品牌广告 / 情感内容 | ElevenLabs | 拟人化变化更强，声音更“有人味” |
| 需要极高声音相似度的克隆 | Fish Audio 等专业工具 | Gemini 克隆声音有相似度但不够精确 |
中文用户需要知道的三件事
中文配音的实际水平：NotebookLM 中文朗读用户反馈良好，但官方未单独发布中文语音质量评测数据，目前的好评主要来自社区。建议先用 AI Studio 免费额度生成一段中文样本试听，再决定是否用于正式项目。
声音克隆的合规要求：使用声音克隆功能需要提供同意验证录音，生成音频带 SynthID 水印。这意味着你可以克隆自己的声音或已获得授权的他人声音，但不能直接克隆未经同意的第三方声音。
API 访问方式：Gemini 3.8 TTS 通过 Gemini API 和 Google AI Studio 调用。Gemini 的服务在中国大陆无法直接访问，本文讨论的是在可正常访问的网络环境下如何使用。
下一步
打开 Google AI Studio，选择 gemini-3.8-flash-tts 模型，输入一段 2–3 分钟的中文文本，分别用预设声音和自然语言提示设计一个自定义声音，对比两者的效果。这样你可以在不花一分钱的情况下判断 Gemini 3.8 TTS 是否适合你的内容项目。如果你主要做视频旁白，把同样的文本再交给 Flash-Lite 生成一遍，对比成本和质量差异。
【FAQ】
Gemini 3.8 TTS 生成的音频可以商用吗？
可以。Gemini API 的付费层输出内容归用户所有。但需要注意：使用免费层时数据会被用于 Google 产品改进，商业稿件建议使用付费 API。声音克隆功能生成的音频带有 SynthID 水印，这是一项溯源保护措施，不影响音频的正常商用。
Flash TTS 和 Flash-Lite TTS 的质量差距大吗？
在旁白和简单对话场景中差距不大。Flash-Lite 的主要取舍在“表现力”上——它不太擅长处理复杂的角色表演和逐行情感控制。但如果你只是需要一段清晰、自然的旁白朗读，Flash-Lite 的听感与 Flash 非常接近，而成本低约三分之一。
中文配音听起来像真人吗？
比上一代好很多，但和 ElevenLabs 的顶级中文声音仍有差距。NotebookLM 的中文朗读被用户评价为“完全没问题”，适合知识类、信息类内容。如果你的内容需要强烈的情感表达或个人风格，建议先试听再决定。
API 的“每百万 token”到底对应多长的音频？
按官方计量，每生成一秒语音消耗 25 个音频 token。因此 $9/百万 token 对应约 40,000 秒 ≈ 11.1 小时的音频，折合每音频小时约 $0.81。Flash-Lite 的 $6/百万 token 对应每音频小时约 $0.54。
2027 年价格翻倍后还值得用吗？
Flash TTS 的价格将从约 $0.81/音频小时涨到约 $1.62，Flash-Lite 从 $0.54 涨到约 $1.08。即便翻倍后，这个价格仍然低于 ElevenLabs 的 $100/百万字符（按 15 字符/秒计算，约 $24/音频小时）。如果你计划长期使用，2026 年底前建立工作流会更划算。
【资料来源 / 信息核查】
来源：Google 官方博客
页面标题：Gemini 3.8 text-to-speech says hello
URL：https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-text-to-speech/
核查用途：确认两款模型的官方定位、功能列表（语音设计、声音克隆、逐行控制、双人对白）、SynthID 水印和 C2PA 凭证。
来源：Gemini API 官方文档
页面标题：文字转语音生成 (TTS)
URL：https://ai.google.dev/gemini-api/docs/speech-generation
核查用途：确认 TTS 与 Live API 的区别、适用场景（播客/有声书）、输入输出限制。
来源：EmpirioLabs 文档
页面标题：Gemini 3.8 Flash TTS
URL：https://docs.empiriolabs.ai/models/gemini-3-8-flash-tts
核查用途：确认 130 种语言支持、2,000+ 声音、每请求 5,000 字符上限、音频计费 32 output tokens/秒、输出格式（WAV/MP3/OGG）。
来源：Vercel AI Gateway
页面标题：Gemini 3.8 Flash TTS API, Pricing & Playground
URL：https://vercel.com/ai-gateway/models/gemini-3.8-flash-tts
核查用途：确认 API 定价（输入 $0.50/百万、输出 $9/百万）、免费用户每 30 天 $5 额度。