Gemini 3.8 TTS กับ Gemini 3.1 Flash TTS: ช่องว่างเพียงหนึ่งเดียวในตระกูลนี้ที่มีอยู่จริง

การอัปเกรดภายในตระกูลโมเดลเดียวกันมักเป็นการตัดสินใจที่ง่าย และรุ่นนี้มีความยุ่งยากบางอย่างที่ทำให้มันไม่ง่ายอย่างที่เห็น Gemini 3.1 Flash TTS — ซึ่งยังถูกระบุอยู่ใน API ของผู้ขายว่าเป็นเวอร์ชันพรีวิว — อยู่ในอันดับ 10 บน Artificial Analysis Provider Voice Arena ด้วยคะแนน Elo 1,199 และช่วงความเชื่อมั่น 12 คะแนน Gemini 3.8 Flash TTS ที่เปิดตัวเมื่อวันที่ 23 กันยายน 2026 อยู่ในอันดับ 2 ด้วยคะแนน Elo 1,260 และช่วงความเชื่อมั่น 17 คะแนน นั่นคือการเพิ่มขึ้น 61 คะแนน และต่างจากช่องว่างส่วนใหญ่บนกระดานนั้น มันยังคงทนต่อช่วงความคลาดเคลื่อนได้ โดยช่วงของ 3.1 อยู่ที่ 1,187 ถึง 1,211 ช่วงของ 3.8 อยู่ที่ 1,243 ถึง 1,277 และมีช่วงว่าง 32 คะแนนคั่นกลางระหว่างทั้งสอง การอัปเกรดด้านคุณภาพเป็นเรื่องจริง ส่วนเรื่องราคานี่แหละที่เริ่มแปลก

บัตรราคาของ Google เองระบุว่าอัตราเอาต์พุตเสียงลดลงจาก 20.00 ดอลลาร์ต่อล้านโทเคนใน 3.1 เหลือ 9.00 ดอลลาร์ใน 3.8 — ลดลง 55 เปอร์เซ็นต์ Artificial Analysis ปรับมาตรฐานโมเดลสองตัวเดียวกันนี้เป็น 18.30 ดอลลาร์ และ 33.00 ดอลลาร์ต่อล้านตัวอักษรตามลำดับ ซึ่งบอกตรงกันข้าม ตัวเลขทั้งสองถูกเผยแพร่ ทั้งคู่ไม่ผิด พวกมันวัดสิ่งที่แตกต่างกัน และการกระทบยอดความต่างนี้เป็นส่วนที่มีประโยชน์ที่สุดของการเปรียบเทียบนี้สำหรับใครก็ตามที่วางแผนจะย้ายระบบ

การอัปเกรดเปลี่ยนแปลงอะไรไปจริง ๆ บ้าง

เจเนอเรชัน 3.8 ไม่ใช่การปรับจูนใหม่ สามพื้นผิวเปลี่ยนแปลงอย่างมีนัยสำคัญ

• จำนวนเสียงและการสร้างเสียง — 3.1 Flash TTS เปิดตัวชุดเสียงที่สร้างไว้ล่วงหน้า 3.8 Flash TTS มาพร้อมเสียงสตูดิโอที่สร้างไว้ล่วงหน้า 30 เสียง รวมถึง Kore และ Puck พร้อมทั้งการออกแบบเสียงจากคำอธิบายภาษาธรรมชาติ และการจำลองเสียงจากตัวอย่าง 30 วินาที พร้อมการยืนยันความยินยอม ลายน้ำ SynthID และข้อมูลรับรอง C2PA บนเอาต์พุต การรีมิกซ์เสียงถูกระบุว่าเร็วๆ นี้ แทนที่จะเปิดให้ใช้แล้ว

• การควบคุมการส่งเสียง — การกำกับทีละบรรทัด การจัดฉากแบบผู้พูดสองคนภายในคำสั่งเรียกครั้งเดียว และสัญญาณอวัจนภาษาที่เขียนลงในบทโดยตรงเป็น <laughs>, <sigh>, <gasp>, |mhm| และ |yeah|. เอกสารเปิดตัวของ Google อ้างว่าปรับปรุงความสม่ำเสมอของเนื้อหายาวและการควบคุมบทแบบผู้พูดสองคนเมื่อเทียบกับ 3.1 โดยเฉพาะ นั่นเป็นคำกล่าวอ้างของผู้ขายที่ไม่มีผลการทดสอบสาธารณะรองรับ

• ความครอบคลุมของภาษา — 130 ภาษาบน Flash TTS และ 101 ภาษาบน Flash-Lite TTS ตรวจจับโดยอัตโนมัติจากข้อความ ส่วนความครอบคลุมที่เผยแพร่ของ 3.1 Flash TTS นั้นต่ำกว่า

การเปลี่ยนแปลงเชิงโครงสร้างคือการแยกออกเป็นสองส่วน ไม่มีผู้สืบทอดเพียงรายเดียวสำหรับ 3.1 Flash TTS; มีสองราย และเอกสารของ Google วางตำแหน่ง Flash-Lite TTS ว่าเป็น "ตัวแทนสำหรับงานหลัก" สิ่งนี้สำคัญเพราะหมายความว่าการย้ายระบบคือการตัดสินใจเลือกชั้นบริการ ไม่ใช่การเพิ่มเวอร์ชัน ชั้นที่ถูกกว่าไม่ใช่เวอร์ชันใหม่กว่าของสิ่งที่คุณมี — มันเป็นจุดที่แตกต่างกันบนเส้นโค้ง

ทำไมราคาถึงลดลง แต่ตารางอันดับบอกว่ามันขึ้น

เริ่มต้นด้วยสิ่งที่ Google เผยแพร่ เพราะนั่นคือสิ่งที่คุณจะถูกเรียกเก็บเงินจริง ๆ

• Gemini 3.1 Flash TTS Preview — $1.00 ต่อล้านโทเค็นข้อความขาเข้า และ $20.00 ต่อล้านโทเค็นเสียงขาออก สำหรับแบบแบตช์ ราคา $0.50 และ $10.00

• Gemini 3.8 Flash TTS Standard — $0.50 และ $9.00 ถึงวันที่ 31 ธันวาคม 2026 จากนั้น $1.00 และ $18.00. Batch และ Flex $0.25 และ $4.50. Priority $0.90 และ $16.20

• Gemini 3.8 Flash-Lite TTS Standard — $0.50 และ $6.00 ถึงวันที่ 31 ธันวาคม 2026 จากนั้น $1.00 และ $12.00. Batch และ Flex $0.25 และ $3.00. Priority $0.90 และ $10.80.

เฉพาะในรายการเอาต์พุตเสียงเพียงอย่างเดียว 3.8 Flash TTS ที่ $9.00 เมื่อเทียบกับ 3.1 ที่ $20.00 ถือเป็นการลดลง 55 เปอร์เซ็นต์ และ 3.8 Flash-Lite TTS ที่ $6.00 คือการลดลง 70 เปอร์เซ็นต์ แม้ที่ราคาหลังโปรโมชัน $18.00 Flash TTS ก็ยังต่ำกว่ารุ่นที่มันเข้ามาแทนที่ นั่นคือตัวเลขที่ปรากฏบนใบแจ้งหนี้ และมันไม่คลุมเครือ

ตอนนี้ก็มาถึงตารางอันดับ Artificial Analysis เผยแพร่ตัวเลขต่อล้านตัวอักษร เพื่อให้โมเดลที่คิดค่าบริการในหน่วยต่างกันสามารถจัดอันดับเทียบเคียงกันได้ และสำหรับคู่นี้ ให้ราคา $18.30 สำหรับ 3.1 Flash TTS และ $33.00 สำหรับ 3.8 Flash TTS เมื่ออ่านเพียงเท่านี้ นั่นบอกว่าการอัปเกรดมีราคาเพิ่มขึ้นเกือบสองเท่า

ข้อสรุปที่ทำให้สอดคล้องกันคือ อัตราต่ออักขระเป็นการแปลงหน่วย ไม่ใช่ราคา และปัจจัยการแปลงไม่เหมือนกันสำหรับสองโมเดล การแปลงโทเคนเสียงเป็นอักขระต้องสมมติทั้งอัตราการพูดและอัตราส่วนโทเคนเสียง — Google คิดอัตราเสียงที่ 25 โทเคนต่อวินาทีของเอาต์พุต — และต้องเลือกว่าจะปรับเทียบกับระดับบริการใด หากคณะกรรมการปรับ 3.8 ด้วยอัตรา $18.00 หลังโปรโมชัน ขณะที่ปรับ 3.1 ด้วยอัตรา $20.00 ของตัวเอง ทั้งสองค่าใกล้กันพอที่ความแตกต่างใด ๆ ในสมมติฐานวินาทีต่ออักขระจะครอบงำผลลัพธ์ อัตราต่ออักขระที่สร้างบนสมมติฐานอัตราการพูดแบบเอื้อมากเกินไปจะทำให้โมเดลที่นำไปใช้ดูดีเกินจริง

ดังนั้นคำแนะนำในทางปฏิบัติคือ: ใช้เรตต่อโทเคนของ Google สำหรับการจัดทำงบประมาณ และใช้เรตต่อตัวอักษรของ leaderboard สำหรับอัตราส่วนระหว่างโมเดลที่บอร์ดวัดด้วยวิธีเดียวกันเท่านั้น อย่านำสองสิ่งนี้มาปนกัน และอย่าอ้างถึงการเปลี่ยนแปลงจาก $18.30 เป็น $33.00 ว่าเป็นการขึ้นราคา — มันเป็นผลจากวิธีนอร์มัลไลเซชันที่โมเดลทั้งสองไม่ได้ใช้ร่วมกัน

ต้นทุนการย้ายระบบที่แท้จริงเป็นอีกเรื่องหนึ่ง นั่นคือช่วงเวลาโปรโมชัน ระดับใหม่ทั้งสองมีราคาครึ่งเดียวจนถึงวันที่ 31 ธันวาคม 2026 และจะเพิ่มเป็นสองเท่าในวันที่ 1 มกราคม การย้ายระบบที่วางแผนจากตัวเลขของเดือนกันยายนและดำเนินการในเดือนพฤศจิกายนจะถูกปรับราคาใหม่ในไตรมาสแรก อัตราของ Flash TTS ในเดือนมกราคม 2027 ที่ 18.00 ดอลลาร์ต่อล้านโทเคนเสียง ยังต่ำกว่า 20.00 ดอลลาร์ของ 3.1 — ดังนั้นการลดราคาจึงเป็นเรื่องจริงหลังช่วงโปรโมชัน เพียงแต่ลดน้อยกว่าที่ดูเหมือนในตอนนี้มาก

การเพิ่มขึ้นของคุณภาพ และสิ่งที่ไม่ได้อยู่เบื้องหลังมัน

Elo ของ arena เป็นตัวเลขเดียวตรงนี้ที่ถูกรวบรวมโดยคนอื่นที่ไม่ใช่ผู้ขาย และเป็นตัวเดียวที่ผ่านช่วงความคลาดเคลื่อนของตัวเอง หกสิบเอ็ดคะแนน จาก 1,199 ถึง 1,260 โดยมี 3,430 ตัวอย่างบน 3.1 และ 1,999 ตัวอย่างบน 3.8 และมีเสียงจาก arena 7 เสียง เทียบกับ 8 เสียง จำนวนตัวอย่างบนโมเดลที่ใหม่กว่านั้นต่ำกว่า ซึ่งทำให้ช่วงของมันกว้างขึ้น และถึงแม้เป็นเช่นนั้น ช่วงต่างๆ ก็ยังไม่แตะกัน

สิ่งที่ไม่ได้อยู่เบื้องหลังมัน: แบตช์มาร์กอิสระใด ๆ นอกเหนือจากอารีนา ตัวเลขการเปิดตัวของ Google — ที่หนึ่งบน Hume AI Voice Design Benchmark ที่ 71.4, ที่หนึ่งด้านการจำลองสำเนียงที่ 60.8, ที่หนึ่งและที่สองบน Hume Overall Quality Index สำหรับ Flash และ Flash-Lite, และอันดับต้น ๆ ในการจัดอันดับความชอบแบบปกปิดที่อ้างในภาษาญี่ปุ่น, โปรตุเกสแบบบราซิล, เวียดนาม, อาหรับมาตรฐานสมัยใหม่, สเปนแบบเม็กซิโก และฮินดี — คือการที่ผู้ขายอ้างอิงแบตช์มาร์กของบุคคลที่สาม การรันเบื้องหลังไม่เปิดเผยต่อสาธารณะ ให้อ่านเป็นข้อกล่าวอ้าง ในทิศทางเดียวกับผลลัพธ์ของอารีนา แต่ไม่ได้เพิ่มน้ำหนักที่เป็นอิสระให้กับมัน

คำถามเกี่ยวกับการเลิกใช้งาน และเช็กลิสต์การย้ายระบบ

Google ยังไม่ได้ประกาศวันยุติการให้บริการสำหรับ Gemini 3.1 Flash TTS Preview โดยระบุว่า Flash-Lite TTS ถูกวางตำแหน่งเป็นโมเดลทดแทนตัวหลัก ซึ่งเป็นถ้อยคำประเภทที่มักมาก่อนประกาศเลิกใช้ มากกว่าจะตามมาทีหลัง หากคุณยังใช้โมเดลพรีวิวอยู่ การตีความที่ถูกต้องคือคุณมีแผนย้ายระบบที่ต้องวางไว้ ไม่ใช่กำหนดเส้นตายที่ต้องทำให้ทัน — และการรอจนถึงกำหนดเส้นตายเป็นกลยุทธ์ที่ผิดสำหรับโมเดลที่ตัวแทนมีคะแนน Elo นำอยู่แล้ว 61 คะแนน

• ตรวจสอบว่าปริมาณงานของคุณต้องใช้ระดับใด Flash TTS สำหรับ 130 ภาษาและขอบเขตการให้บริการเต็มรูปแบบ; Flash-Lite TTS สำหรับ 101 ภาษาในราคา $6.00 ต่อหนึ่งล้านโทเค็นเสียง รายการภาษาคือเส้นแบ่ง ไม่ใช่คุณภาพ

• กำหนดราคาใหม่ตามอัตราเดือนมกราคม 2027 ไม่ใช่อัตราโปรโมชัน $18.00 ต่อล้านโทเค็นเสียงสำหรับ Flash TTS, $12.00 สำหรับ Flash-Lite

• ตัดสินใจว่างานนี้สามารถประมวลผลเป็นชุดได้หรือไม่ Batch และ Flex ลดอัตราค่าเสียงลงครึ่งหนึ่งในทั้งสองระดับ — $4.50 และ $3.00 ต่อล้านโทเค็น สิ่งใดที่ไม่ใช่แบบโต้ตอบไม่ควรอยู่ในระดับ Standard

• ตรวจสอบสิ่งที่พึ่งพาชุดเสียงอีกครั้ง แคตตาล็อกเริ่มต้นมีเสียงสำเร็จรูป 30 เสียง เสียงที่คุณใช้อยู่บน 3.1 อาจต้องสร้างขึ้นใหม่ ไม่ว่าจะผ่านการออกแบบเสียงหรือผ่านตัวอย่างการจำลองความยาว 30 วินาที

• ตรวจสอบการกำหนดรูปแบบคำขออีกครั้ง ไม่มีเพดานจำนวนอักขระต่อคำขอที่เผยแพร่สำหรับโมเดล 3.8 และเสียงคิดค่าบริการตามวินาทีแทนที่จะคิดตามอักขระ ดังนั้นข้อความที่พูดยาวจึงมีค่าใช้จ่ายสูงกว่าที่การประเมินราคาต่ออักขระจะบ่งชี้

• วางแผนวงจรชีวิตของเสียงแบบกำหนดเอง เสียงแบบมีสถานะ 200 เสียงต่อโปรเจกต์โดยมีอายุการใช้งานหนึ่งปี หรือแบบไม่มีสถานะ voicekey_... แฮนเดิลที่หมดอายุในเจ็ดวัน

รันทั้งสองอย่างไว้ระหว่างที่คุณตัดสินใจ

การอัปเกรดภายในตระกูลเดียวกันซึ่งมีโปรโมชันที่กำลังจะหมดอายุและความไม่ลงรอยเรื่องการทำนอร์มัลไลเซชัน เป็นกรณีที่เหมาะเจาะกับการไม่สลับเปลี่ยนระบบในขั้นตอนเดียว OrcaRouter ให้บริการโมเดลรุ่นเก่าอยู่วันนี้ — models/google/gemini-3.1-flash-tts-previewอยู่ในรายการโมเดลของเรา — คุณจึงยกโมเดลใหม่มาตั้งเคียงข้างกันและเปรียบเทียบบนทราฟฟิกของคุณเองได้ก่อนที่จะย้ายเส้นทางการใช้งานจริง เราไม่ได้โฮสต์ปลายทาง Gemini 3.8 TTS เหล่านั้น สิ่งเหล่านั้นมาจาก API ของ Google เอง สิ่งที่เรามอบให้คือ คีย์เดียวที่ใช้ได้กับโมเดลกว่า 200 รุ่น ในราคาตามที่ผู้ให้บริการประกาศโดยไม่บวกเพิ่ม ดังนั้นเมื่อผู้ให้บริการเปลี่ยนอัตราค่าบริการ บิลของคุณจะสะท้อนการเปลี่ยนแปลงนั้นภายในวันเดียวกันแทนที่จะรอถึงรอบต่ออายุ และ ระบบ failover อัตโนมัติ เพื่อให้โมเดลใหม่เอี่ยมเป็นสิ่งที่คุณลองใช้ได้โดยไม่ต้องเดิมพันเส้นทางที่หันหน้าสู่ลูกค้ากับมัน

สิ่งที่ต้องจับตาคือว่า Google จะกำหนดวันที่ให้กับ 3.1 Flash TTS preview หรือไม่ เอกสารเพียงบรรทัดเดียวนั้นมีค่าต่อแผนการย้ายระบบมากกว่า benchmark ใด ๆ ในบทความนี้ และมันยังไม่ถูกเขียนขึ้นเลย