Gemini 3.8 TTS vs Gemini 3.1 Flash TTS: Det enda gapet i den här familjen som är verkligt

Att uppgradera inom en modellfamilj är vanligtvis det enkla beslutet, och den här har en hake som gör det mindre enkelt än det ser ut. Gemini 3.1 Flash TTS – som fortfarande listas i leverantörens API som en förhandsversion – ligger på plats 10 på Artificial Analysis Provider Voice Arena med en Elo på 1 199 och ett intervall på 12 punkter. Gemini 3.8 Flash TTS, som släpptes den 23 september 2026, ligger på plats 2 med en Elo på 1 260 och ett intervall på 17 punkter. Det är en ökning med 61 punkter, och till skillnad från de flesta avstånden på den resultattavlan håller den även när felmarginalerna räknas in: 3.1:s intervall sträcker sig från 1 187 till 1 211, 3.8:s från 1 243 till 1 277, och mellan dem finns en död zon på trettiotvå punkter. Kvalitetsuppgraderingen är verklig. Prisberättelsen är där det blir märkligt.

Googles egen prislista säger att priset för ljudutdata sjönk från $20.00 per miljon tokens i 3.1 till $9.00 i 3.8 – en minskning med 55 procent. Artificial Analysis normaliserar samma två modeller till $18.30 respektive $33.00 per miljon tecken, vilket säger motsatsen. Båda siffrorna är publicerade; ingen av dem är fel; de mäter olika saker, och avstämningen är den mest användbara delen av den här jämförelsen för alla som planerar en migrering.

Vad uppgraderingen faktiskt förändrade

3.8-generationen är inte en omtrimning. Tre ytor förändrades väsentligt.

• Antal röster och röstskapande — 3.1 Flash TTS levererades med en färdig röstuppsättning. 3.8 Flash TTS levereras med 30 färdiga studioröster, inklusive Kore och Puck, plus röstdesign utifrån en beskrivning i naturligt språk och röstreplikering från ett 30-sekunders prov med samtyckesverifiering, en SynthID-vattenstämpel och C2PA-uppgifter på utdata. Röstremixning anges som kommande snarare än levererad.

• Framförandekontroll — radvis regi, iscensättning av scener med två talare i ett enda anrop, och icke-verbala signaler skrivna direkt i manuset som <skrattar>, <suckar>, <flämtar>, |mhm| och |ja|. Googles lanseringsmaterial hävdar förbättrad långformskonsekvens och tvåtalarmanuskriptkontroll jämfört med 3.1 specifikt. Det är ett leverantörspåstående utan någon offentlig körning bakom sig.

• Språktäckning – 130 språk på Flash TTS och 101 på Flash-Lite TTS, automatiskt identifierade från texten. Den publicerade täckningen för 3.1 Flash TTS är lägre.

Den strukturella förändringen är uppdelningen. Det finns ingen enskild efterträdare till 3.1 Flash TTS; det finns två, och Googles dokumentation positionerar Flash-Lite TTS som "arbetshästsersättningen". Det spelar roll eftersom det innebär att en migrering är ett nivåbeslut, inte en versionsuppgradering. Den billigare nivån är inte den nyare versionen av det du har — den är en annan punkt på kurvan.

Varför priset gick ner och resultattavlan säger att det gick upp

Börja med vad Google publicerar, eftersom det är det du faktiskt kommer att faktureras för.

• Gemini 3.1 Flash TTS Preview — 1,00 USD per miljon texttokens som indata, 20,00 USD per miljon ljudtokens som utdata. Batch är 0,50 USD och 10,00 USD.

• Gemini 3.8 Flash TTS Standard — 0,50 $ och 9,00 $ till och med den 31 december 2026, därefter 1,00 $ och 18,00 $. Batch and Flex 0,25 $ och 4,50 $. Priority 0,90 $ och 16,20 $.

• Gemini 3.8 Flash-Lite TTS Standard – 0,50 $ och 6,00 $ fram till och med den 31 december 2026, därefter 1,00 $ och 12,00 $. Batch och Flex 0,25 $ och 3,00 $. Prioritet 0,90 $ och 10,80 $.

Enbart på raden för ljudutmatning är 3.8 Flash TTS för $9.00 mot 3.1 för $20.00 en sänkning med 55 procent, och 3.8 Flash-Lite TTS för $6.00 är en sänkning med 70 procent. Även vid priset efter kampanjen på $18.00 ligger Flash TTS fortfarande under modellen det ersätter. Det är siffran som hamnar på en faktura, och den är entydig.

Nu till topplistan. Artificial Analysis publicerar en siffra per miljon tecken så att modeller som fakturerar i olika enheter kan rangordnas sida vid sida, och för det här paret anger den 18,30 dollar för 3.1 Flash TTS och 33,00 dollar för 3.8 Flash TTS. Läst för sig självt säger det att priset för uppgraderingen nästan fördubblades.

Avstämningen är att en taxa per tecken är en omvandling, inte ett pris, och omvandlingsfaktorn är inte densamma för de två modellerna. Att omvandla ljudtoken till tecken kräver att man antar både en talshastighet och ett ljudtokenförhållande – Google mäter ljud med 25 token per sekund utdata – och det kräver att man väljer vilken servicenivå man normaliserar mot. Om styrelsen normaliserar 3,8 mot efterkampanjpriset 18,00 USD medan den normaliserar 3,1 mot sitt eget 20,00 USD, är de två tillräckligt nära för att varje skillnad i antagandet om sekunder per tecken dominerar resultatet. En taxa per tecken som bygger på ett generöst antagande om talshastighet smickrar modellen som den tillämpas på.

Den praktiska instruktionen är därför: använd Googles tokenpriser för budgetering, och använd resultattavlans teckenpriser endast för förhållandet mellan modeller som tavlan mätte på samma sätt. Blanda inte dem, och ange inte förflyttningen från $18,30 till $33,00 som en prisökning – den är en artefakt av en normalisering som de två modellerna inte delar.

Den verkliga migreringskostnaden är en annan, och det är kampanjfönstret. Båda de nya nivåerna ligger på halva priset fram till den 31 december 2026 och fördubblas den 1 januari. En migrering som planeras utifrån septembersiffrorna och genomförs i november kommer att omprissättas under första kvartalet. Priset för Flash TTS i januari 2027, 18,00 dollar per miljon ljudtokens, ligger fortfarande under 3.1:s 20,00 dollar – så sänkningen är verklig även efter kampanjen, bara mycket mindre än den ser ut i dag.

Kvalitetsvinsten, och vad som inte ligger bakom den

Arena-Elo är det enda talet här som har samlats in av någon annan än leverantören, och det är det enda som överskrider sina felmarginaler. 61 poäng från 1 199 till 1 260, med 3 430 sampel på 3.1 och 1 999 på 3.8, och 7 arena-röster mot 8. Antalet sampel för den nyare modellen är lägre, vilket vidgar dess intervall, och trots det överlappar inte intervallen varandra.

Vad som inte ligger bakom det: någon oberoende benchmark annan än arenan. Googles lanseringssiffror – etta på Hume AI Voice Design Benchmark med 71,4, etta inom accentmodellering med 60,8, etta och tvåa på Hume Overall Quality Index för Flash och Flash-Lite, samt topplaceringar i blindpreferens som påstås i japanska, brasiliansk portugisiska, vietnamesiska, modern standardarabiska, mexikansk spanska och hindi – är leverantören som citerar en tredje parts benchmark. De underliggande körningarna är inte offentliga. Läs dem som påståenden, i samma riktning som arenaresultatet men utan att de tillför någon oberoende tyngd till det.

Frågan om avveckling, och en checklista för migrering

Google har inte meddelat något nedstängningsdatum för Gemini 3.1 Flash TTS Preview. Man har sagt att Flash-Lite TTS positioneras som dess pålitliga ersättare, vilket är den typ av språkbruk som föregår ett meddelande om avveckling snarare än följer ett. Om du fortfarande använder förhandsmodellen är den korrekta tolkningen att du har en migrering att planera, inte en deadline att möta – och att vänta på deadlinen är fel strategi för en modell vars ersättare redan ligger 61 Elo-poäng före.

• Kontrollera vilken nivå din arbetsbelastning behöver. Flash TTS för 130 språk och hela leveransytan; Flash-Lite TTS för 101 språk till $6.00 per miljon ljudtoken. Språklistan är skiljelinjen, inte kvaliteten.

• Sätt nytt pris utifrån januaritaxan 2027, inte kampanjtaxan. $18.00 per miljon ljudtokens på Flash TTS, $12.00 på Flash-Lite.

• Avgör om jobbet kan batchas. Batch och Flex halverar ljudpriset på båda nivåerna — $4.50 och $3.00 per miljon tokens. Allt som inte är interaktivt bör inte ligga på Standard-nivån.

• Dubbelkolla allt som var beroende av röstuppsättningen. Standardkatalogen innehåller 30 förbyggda röster; rösten du använde i 3.1 kan behöva återskapas, antingen via röstdesign eller via ett 30-sekunders replikeringsprov.

• Se över hur förfrågningar utformas igen. Det finns ingen publicerad teckengräns per förfrågan för 3.8-modellerna, och ljud mäts per sekund i stället för per tecken, så ett långt yttrande kostar mer än vad en teckenbaserad offert antyder.

• Planera livscykeln för anpassade röster. 200 tillståndsbevarande röster per projekt med en livstid på ett år, eller tillståndslösa handtag av typen voicekey_... som löper ut efter sju dagar.

Kör båda medan du bestämmer dig

En uppgradering inom samma familj med ett kampanjerbjudande som löper ut och en oenighet om normalisering är precis argumentet för att inte byta över i ett enda steg. OrcaRouter dirigerar den äldre modellen i dag — models/google/gemini-3.1-flash-tts-preview finns med i vår modellista — så att du kan sätta upp den nya modellen bredvid den och jämföra mot din egen trafik innan du flyttar produktionsvägen. Vi hostar inte Gemini 3.8 TTS-slutpunkterna; de kommer från Googles eget API. Det vi erbjuder är en och samma nyckel över 200+ modeller till leverantörens listpris utan påslag, så att en ändring i leverantörens pris når din faktura samma dag i stället för vid förnyelse, och automatisk failover så att en helt ny modell är något du kan prova utan att satsa en kundvänd väg på den.

Det man bör hålla utkik efter är huruvida Google kopplar ett datum till förhandsversionen av 3.1 Flash TTS. Den där enda raden i dokumentationen är värd mer för en migreringsplan än något av riktmärkena i den här artikeln, och den har ännu inte skrivits.