Gemini 3.8 Flash TTS vs Gemini 3.8 TTS: Jedna z tych nazw nie jest modelem

Nie istnieje model o nazwie Gemini 3.8 TTS. Dokumentacja dostawcy dotycząca generowania mowy wymienia dokładnie dwa punkty końcowe zamiany tekstu na mowę w tej generacji — gemini-3.8-flash-tts, który dokumentacja nazywa Gemini 3.8 Flash TTS, oraz gemini-3.8-flash-lite-tts, nazywany Gemini 3.8 Flash-Lite TTS — i oba zostały udostępnione 23 września 2026 r. „Gemini 3.8 TTS” to termin zbiorczy, którego używa się w materiałach o premierze w odniesieniu do tej pary, w tym we własnym tytule wpisu dostawcy. To nie jest więc starcie między dwoma produktami, a kto twierdzi, że jest, ten nie otworzył dokumentacji.

To, na co w rzeczywistości wskazuje zapytanie, to prawdziwa decyzja — ciekawsza, niż sugeruje nazewnictwo: do którego członka rodziny powinieneś zadzwonić? Na niezależnej tablicy te dwa mieszczą się wzajemnie w swoich przedziałach błędów, a jeden z nich kosztuje o jedną trzecią mniej. To porównanie warto przeprowadzić, więc przeprowadźmy je należycie — a potem zajmijmy się trzecim nazwiskiem, które wciąż trafia do tej samej rozmowy.

Na co wskazuje każda nazwa

Decydującym testem nie jest to, co mówi wynik wyszukiwania. Jest nim to, czy dany ciąg prowadzi do punktu końcowego z cennikiem i wierszem w tabeli liderów, a w tym teście obie nazwy wyraźnie się rozdzielają.

• Gemini 3.8 TTS — brak identyfikatora modelu, brak wpisu na liście obsługiwanych modeli, brak opublikowanej ceny, brak wiersza w Artificial Analysis. To nazwa premiery i linii produktów, a nie czegoś, co można wywołać.

• Gemini 3.8 Flash TTS — identyfikator modelu gemini-3.8-flash-tts, 130 języków, ogólnie dostępny w Gemini API, drugie miejsce w rankingu Artificial Analysis Provider Voice Arena.

• Gemini 3.8 Flash-Lite TTS — identyfikator modelu gemini-3.8-flash-lite-tts, 101 języków, powszechnie dostępny, szósty w tym samym zestawieniu i opisywany przez Google jako podstawowy zamiennik zastępowanego modelu w wersji zapoznawczej.

Oba rzeczywiste punkty końcowe przyjmują ten sam schemat API i format promptowania, dlatego wybór między nimi jest wartością konfiguracyjną, a nie architektoniczną. Błędem, którego należy unikać, jest traktowanie parasola jako trzeciej opcji i czekanie, aż się pojawi; nie ma na co czekać.

Decyzja, którą ukrywa nazwa parasolowa

Gdy nazewnictwo zostanie ustalone, pytanie, które nabywca rzeczywiście ma, brzmi: czy droższy poziom jest wart swojej ceny. Przewaga jakościowa Flash TTS nad Flash-Lite TTS jest mniejsza, niż sugeruje różnica w cenie, a ranking mówi o tym wyraźniej niż jakakolwiek recenzja.

W rankingu Artificial Analysis Provider Voice Arena, którego dane zebrano do tego artykułu 24 września 2026 r., Gemini 3.8 Flash TTS zajmuje drugie miejsce z wynikiem Elo 1 260 i 17-punktowym przedziałem, obliczonym na podstawie 1 999 próbek. Gemini 3.8 Flash-Lite TTS zajmuje szóste miejsce z wynikiem 1 235 i 16-punktowym przedziałem na podstawie 2 000 próbek. Kiedy przyjrzeć się tym przedziałom, wniosek jest jednoznaczny: Flash TTS obejmuje zakres od 1 243 do 1 277, Flash-Lite TTS obejmuje zakres od 1 219 do 1 251, a zakresy te pokrywają się między 1 243 a 1 251. Dwadzieścia pięć punktów Elo wygląda jak różnica w tabeli, ale przy takiej liczbie próbek jest nieodróżnialne od szumu w ślepym teście odsłuchowym.

Teraz umieść cenę obok tego.

• Cena katalogowa — Flash TTS wynosi 9,00 USD za milion tokenów audio do 31 grudnia 2026 r., a następnie 18,00 USD; Flash-Lite TTS wynosi 6,00 USD, a następnie 12,00 USD. Tekst wejściowy kosztuje 0,50 USD za milion w obu przypadkach. Różnica między poziomami to 33 procent kosztu audio, w obu okresach.

• Stawka znormalizowana — Artificial Analysis przelicza oba na stawkę za milion znaków, aby można było uszeregować razem modele rozliczane w różnych jednostkach, i podaje 16,5 USD dla Flash TTS oraz 11,0 USD dla Flash-Lite TTS. Ta sama 33-procentowa różnica, zmierzona w inny sposób.

• Batch i Priority — Batch i Flex kosztują 0,25 USD za wejście i 4,50 USD za wyjście w Flash TTS w porównaniu z 0,25 USD i 3,00 USD w Flash-Lite TTS; Priority kosztuje 0,90 USD i 16,20 USD w porównaniu z 0,90 USD i 10,80 USD.

• Co tak naprawdę się różni — 130 języków w porównaniu ze 101 oraz pełne kreatywne pozycjonowanie w porównaniu z wersją masową. Tabela obsługiwanych modeli Google wymienia syntezę jednogłosową, syntezę wielogłosową, projektowanie głosu i replikację głosu jako dostępne w obu.

Czytane jako całość to słabszy argument za wersją premium, niż sugeruje marketing, a zarazem lepsza odpowiedź, niż na to zasługuje nazwa parasolowa. Zapłać te 33 procent, jeśli twój skrypt obejmuje język spoza tych 101 albo jeśli wysłuchałeś obu i jeden wolisz. Nie płać za to dlatego, że tabela pokazuje wyższą liczbę, bo liczby się nakładają.

Trzecia nazwa, która wciąż bywa włączana

Pod tym kryje się drugie zderzenie, które generuje więcej złych rad niż pierwsze. We wrześniu Google wypuściło dwa produkty audio w odstępie ośmiu dni i wcale nie są to rzeczy tego samego rodzaju.

Gemini 3.8 Flash TTS to model zamiany tekstu na mowę: tekst na wejściu, dźwięk na wyjściu, w punktach końcowych TTS Gemini API, stworzony do „scenariuszy wymagających dokładnego odczytania tekstu z precyzyjną kontrolą nad stylem i brzmieniem”. Gemini 3.8 Live to system mowa-na-mowę w Live API, udostępniony 15 września 2026 r., stworzony do interaktywnego, nieustrukturyzowanego dźwięku z multimodalnym wejściem i wywołaniami narzędzi działającymi w tle. Własna dokumentacja Google wyraźnie wyznacza granicę — i jest to właściwa granica: jeden odczytuje skrypt, drugi prowadzi rozmowę.

Te dwie rzeczy i tak są scalane w podsumowaniach, które opisują „Gemini 3.8 TTS” jako produkt typu agent głosowy, co następnie prowadzi ludzi do oceniania modelu narracji według budżetu opóźnień, dla którego nigdy nie był projektowany. Jeśli Twoim wymaganiem jest linia wsparcia, która odbiera telefon i słyszy, że dzwoniący przerywa, Flash TTS jest złym produktem niezależnie od poziomu — a jeśli Twoim wymaganiem jest 40 000 słów audiobooka o spójnym tonie pomieszczenia, Live API jest złym wyborem. Ustalenie, którą z tych rzeczy budujesz, to znacznie większa decyzja niż wybór poziomu, i to właśnie na tej decyzji zamieszanie w nazewnictwie cię kosztuje.

Trzeci ciąg, gemini-3.8-flash, pojawia się również na stronie dokumentacji TTS jako model tekstowy używany do generowania transkrypcji. To nie jest model mowy. Ten przynajmniej jest łatwy do wychwycenia.

Dokonywanie wyboru i utrzymywanie jego niskiego kosztu

Sama decyzja o poziomie to ciąg znaków. Oba punkty końcowe mają wspólny schemat, wspólną bibliotekę głosów, wspólny projekt głosu i odpowiadają na tym samym punkcie końcowym mowy z tą samą autoryzacją, więc przełączenie to zmiana jednej linijki i ponowne uruchomienie — co oznacza, że najtańszym sposobem rozstrzygnięcia tego jest wygenerowanie tego samego skryptu dwa razy i wysłuchanie, zamiast w ogóle spierać się na podstawie tabeli wyników.

To, co czyni to tanim w praktyce, to nie traktowanie nazwy modelu jako zobowiązania architektonicznego. W OrcaRouter google/gemini-3.1-flash-tts-preview — poziom, który zastępuje to pokolenie — znajduje się w katalogu ponad 200 modeli dostępnych za jednym kluczem, w cenie 1,00 USD i 20,00 USD za milion tokenów publikowanej przez Google, z ceną katalogową dostawcy przekazywaną bez doliczania marży. To właśnie ten pass-through sprawia, że eksperymentowanie z poziomami jest darmowe, a nie stanowi ćwiczenia z zamówień publicznych: te same dane uwierzytelniające, których używasz do porównania Flash TTS z Flash-Lite TTS, służą do każdego innego modelu w katalogu, a automatyczne przełączanie awaryjne sprawia, że poziom, który tylko testujesz, nigdy nie staje się pojedynczym punktem awarii dla produkcyjnej kolejki narracji.

Dwie rzeczy, na które warto zwrócić uwagę — obie zmieniłyby ten artykuł. Google podaje remiksowanie głosu — dostosowywanie barwy, wysokości, tempa i akcentu w głosie, który już masz — jako funkcję zapowiedzianą, a nie już udostępnioną, a jeśli trafi najpierw do jednego planu, stanie się prawdziwym wyróżnikiem w sposób, w jaki różnica w Elo nie jest. A jeśli Google kiedykolwiek opublikuje endpoint TTS Gemini 3.8 inny niż Flash, z własnym identyfikatorem i cennikiem, nazwa-parasol będzie wreszcie miała coś pod sobą, a porównanie przestanie być kwestią nazewnictwa i zacznie być prawdziwym porównaniem pierwszej kategorii.