Gemini 3.8 TTS против Gemini 3.1 Flash TTS: единственный реальный разрыв в этом семействе

Обновление внутри одного семейства моделей обычно даётся легко, но здесь есть нюанс, из-за которого решение оказывается не таким простым, как кажется. Gemini 3.1 Flash TTS — всё ещё указанная в API вендора как предварительная версия — занимает 10-е место в Artificial Analysis Provider Voice Arena с рейтингом Elo 1 199 и интервалом в 12 пунктов. Gemini 3.8 Flash TTS, выпущенная 23 сентября 2026 года, занимает 2-е место с Elo 1 260 и интервалом в 17 пунктов. Это прирост на 61 пункт, и, в отличие от большинства разрывов в этой таблице, он выдерживает проверку планками погрешности: диапазон 3.1 простирается от 1 187 до 1 211, диапазон 3.8 — от 1 243 до 1 277, и между ними остаётся мёртвая зона в тридцать два пункта. Улучшение качества реально. А вот с ценой начинается странное.

В собственном прайс-листе Google указано, что тариф на аудиовыход снизился с $20,00 за миллион токенов в версии 3.1 до $9,00 в версии 3.8 — на 55 процентов. Artificial Analysis нормализует те же две модели до $18,30 и $33,00 за миллион символов соответственно, что говорит об обратном. Оба числа опубликованы; ни одно из них не является ошибочным; они измеряют разные вещи, и согласование этих данных — самая полезная часть этого сравнения для всех, кто планирует миграцию.

Что на самом деле изменило обновление

Поколение 3.8 — это не перенастройка. Три поверхности существенно изменились.

• Количество голосов и создание голоса — 3.1 Flash TTS выпустила предварительно созданный набор голосов. 3.8 Flash TTS предлагает 30 предварительно созданных студийных голосов, включая Kore и Puck, а также дизайн голоса по описанию на естественном языке и репликацию голоса по 30-секундному образцу с проверкой согласия, водяным знаком SynthID и учётными данными C2PA на выходе. Ремикширование голоса указано как «скоро», а не как уже выпущенное.

• Управление подачей — построчная режиссура, постановка сцены с двумя говорящими в рамках одного вызова, и невербальные сигналы, вписанные прямо в сценарий, как <смеётся>, <вздыхает>, <ах>, |мгм| и |ага|. В презентационных материалах Google утверждается, что по сравнению именно с 3.1 улучшены согласованность длинных текстов и управление сценарием с двумя говорящими. Это заявление вендора, не подкреплённое публичными тестами.

• Поддержка языков — 130 языков в Flash TTS и 101 в Flash-Lite TTS, определяются автоматически по тексту. Опубликованное покрытие 3.1 Flash TTS ниже.

Структурное изменение — это разделение. У 3.1 Flash TTS нет единственного преемника; их два, и документация Google позиционирует Flash-Lite TTS как «рабочую лошадку» на замену. Это важно, потому что означает: миграция — это решение об уровне, а не повышение версии. Более дешёвый уровень — не более новая версия того, что у вас есть, — это другая точка на кривой.

Почему цена упала, а в таблице лидеров написано, что она выросла

Начните с того, что публикует Google, потому что именно за это вам на самом деле выставят счёт.

Gemini 3.1 Flash TTS Preview — $1,00 за миллион входящих текстовых токенов, $20,00 за миллион исходящих аудиотокенов. Пакетный режим — $0,50 и $10,00.

• Gemini 3.8 Flash TTS Standard — $0,50 и $9,00 до 31 декабря 2026 года, затем $1,00 и $18,00. Batch и Flex — $0,25 и $4,50. Priority — $0,90 и $16,20.

• Gemini 3.8 Flash-Lite TTS Standard — $0,50 и $6,00 до 31 декабря 2026 г. включительно, затем $1,00 и $12,00. Batch и Flex: $0,25 и $3,00. Priority: $0,90 и $10,80.

Уже только по строке аудиовыхода 3.8 Flash TTS по цене $9,00 против 3.1 по $20,00 — это снижение на 55 %, а 3.8 Flash-Lite TTS по $6,00 — снижение на 70 %. Даже при $18,00 после промоакции Flash TTS всё ещё дешевле модели, которую он заменяет. Именно эта цифра попадает в счёт, и она не допускает двусмысленности.

Теперь таблица лидеров. Artificial Analysis публикует показатель за миллион символов, чтобы модели с тарификацией в разных единицах можно было сравнивать бок о бок, и для этой пары она указывает $18.30 для 3.1 Flash TTS и $33.00 для 3.8 Flash TTS. Если читать это отдельно, получается, что обновление почти удвоило цену.

Согласование состоит в том, что ставка за символ — это пересчёт, а не цена, и коэффициент пересчёта для двух моделей неодинаков. Чтобы преобразовать аудиотокены в символы, нужно предположить и темп речи, и соотношение аудиотокенов — Google тарифицирует аудио из расчёта 25 токенов на секунду выходных данных — а также выбрать, относительно какого уровня обслуживания нормализовать. Если совет нормализует 3,8 по ставке $18.00 после промоакции, а 3,1 — по своей собственной ставке $20.00, эти две величины достаточно близки, так что любое различие в предполагаемом числе секунд на символ доминирует над результатом. Ставка за символ, построенная на щедром допущении о темпе речи, льстит модели, к которой она применяется.

Практическое указание поэтому таково: используйте тарифы Google за токены для бюджетирования, а тарифы за символы из таблицы лидеров — только для соотношения между моделями, которые таблица измеряла одинаковым образом. Не смешивайте их и не приводите изменение с $18.30 до $33.00 как повышение цены — это артефакт нормализации, которая не является общей для этих двух моделей.

Настоящая стоимость миграции — другая, и это промо-окно. Оба новых тарифа идут по половинной ставке до 31 декабря 2026 года и удваиваются 1 января. Миграция, запланированная по сентябрьским цифрам и выполненная в ноябре, будет пересчитана в первом квартале. Ставка Flash TTS на январь 2027 года, $18.00 за миллион аудиотокенов, всё ещё ниже $20.00 у 3.1 — так что снижение реально и после промо, просто гораздо меньше, чем кажется сегодня.

Прирост качества и то, что за ним не стоит

Рейтинг Elo на арене — это единственное число здесь, собранное кем-то, кроме вендора, и единственное, которое выходит за свои планки погрешности. Шестьдесят один пункт с 1 199 до 1 260, при 3 430 образцах на 3.1 и 1 999 на 3.8, и 7 голосов арены против 8. Количество образцов у более новой модели ниже, что расширяет её интервал, и даже при этом диапазоны не соприкасаются.

Что за этим не стоит: никакой независимый бенчмарк, кроме арены. Цифры запуска Google — первое место в Hume AI Voice Design Benchmark с 71,4, первое место в моделировании акцента с 60,8, первое и второе места в Hume Overall Quality Index для Flash и Flash-Lite, а также лучшие места в рейтинге слепых предпочтений, заявленные для японского, бразильского португальского, вьетнамского, современного стандартного арабского, мексиканского испанского и хинди — это цитирование вендором стороннего бенчмарка. Сами прогоны не опубликованы. Воспринимайте их как заявления, указывающие в ту же сторону, что и результат арены, но не добавляющие ему независимого веса.

Вопрос устаревания и чек-лист по миграции

Google не объявила дату отключения Gemini 3.1 Flash TTS Preview. Компания заявила, что Flash-Lite TTS позиционируется как её основная рабочая замена, а такие формулировки обычно предшествуют уведомлению о прекращении поддержки, а не следуют за ним. Если вы всё ещё используете предварительную модель, правильный вывод таков: вам нужно планировать миграцию, а не успеть к дедлайну — и ожидание дедлайна — неверная стратегия для модели, чья замена уже опережает её на 61 балл Elo.

• Проверьте, какой уровень нужен вашей рабочей нагрузке. Flash TTS — для 130 языков и полного набора возможностей доставки; Flash-Lite TTS — для 101 языка по цене $6.00 за миллион аудиотокенов. Граница проходит по списку языков, а не по качеству.

• Пересчитайте стоимость по тарифу января 2027 года, а не по промоакционному. $18.00 за миллион аудиотокенов на Flash TTS, $12.00 на Flash-Lite.

• Решите, можно ли выполнить задание пакетно. Batch и Flex вдвое снижают тариф на аудио на обоих уровнях — $4,50 и $3,00 за миллион токенов. Всё, что не является интерактивным, не должно находиться на уровне Standard.

• Перепроверьте всё, что зависело от набора голосов. Каталог по умолчанию — это 30 готовых голосов; голос, который вы использовали в 3.1, возможно, потребуется создать заново — либо с помощью дизайна голоса, либо с помощью 30-секундного образца для репликации.

• Ещё раз проверьте формирование запросов. Для моделей 3.8 нет опубликованного ограничения на количество символов в одном запросе, а аудио тарифицируется по секундам, а не по символам, поэтому длинное высказывание обходится дороже, чем можно было бы предположить по оценке за символ.

• Планируйте жизненный цикл пользовательских голосов. 200 голосов с состоянием на проект со сроком жизни один год или без состояния — voicekey_...идентификаторы, истекающие через семь дней.

Запускаю оба, пока вы решаете.

Обновление внутри одного семейства с истекающим промо-периодом и расхождением в нормализации — это как раз тот случай, когда не стоит переходить за один шаг. Сегодня OrcaRouter маршрутизирует более старую модель — models/google/gemini-3.1-flash-tts-preview есть в нашем списке моделей — так что вы можете поднять новую модель рядом с ней и сравнить на собственном трафике, прежде чем переключать продакшн-путь. Мы не размещаем эндпоинты Gemini 3.8 TTS; они идут из собственного API Google. Мы предоставляем единый ключ к 200+ моделям по прайс-листу провайдера без наценки, поэтому изменение тарифа у вендора отражается в вашем счёте в тот же день, а не при продлении, и автоматическое переключение при сбое, благодаря которому совершенно новая модель — это то, что можно попробовать, не ставя на карту путь, обращённый к клиентам.

На что стоит обратить внимание — добавит ли Google дату к preview-версии 3.1 Flash TTS. Эта единственная строка документации значит для плана миграции больше, чем любые бенчмарки в этой статье, и её ещё не написали.