Gemini 3.8 TTS so với Gemini 3.1 Flash TTS: Khoảng cách duy nhất trong dòng này là có thật

Nâng cấp trong cùng một dòng model thường là quyết định dễ dàng, nhưng trường hợp này có một nút thắt khiến nó không dễ như vẻ ngoài. Gemini 3.1 Flash TTS — vẫn được niêm yết trên API của nhà cung cấp dưới dạng bản xem trước — đứng ở vị trí thứ 10 trên Artificial Analysis Provider Voice Arena với Elo 1.199 và khoảng tin cậy 12 điểm. Gemini 3.8 Flash TTS, ra mắt ngày 23 tháng 9 năm 2026, đứng ở vị trí thứ 2 với Elo 1.260 và khoảng tin cậy 17 điểm. Đó là mức tăng 61 điểm, và không giống như hầu hết các khoảng cách trên bảng xếp hạng đó, nó vượt qua được các thanh sai số: khoảng của 3.1 trải từ 1.187 đến 1.211, khoảng của 3.8 trải từ 1.243 đến 1.277, và có một vùng chết rộng ba mươi hai điểm ở giữa chúng. Việc nâng cấp chất lượng là có thật. Nhưng câu chuyện về giá mới là chỗ trở nên kỳ lạ.

Bảng giá của chính Google cho biết giá đầu ra âm thanh đã giảm từ 20,00 đô la trên mỗi triệu token ở phiên bản 3.1 xuống 9,00 đô la ở phiên bản 3.8 — mức giảm 55 phần trăm. Artificial Analysis chuẩn hóa cùng hai mô hình đó thành 18,30 đô la và 33,00 đô la trên mỗi triệu ký tự tương ứng, điều này lại nói ngược lại. Cả hai con số đều được công bố; cả hai đều không sai; chúng đang đo lường những thứ khác nhau, và việc dung hòa chúng là phần hữu ích nhất của so sánh này đối với bất kỳ ai đang lên kế hoạch di chuyển.

Nâng cấp thực sự đã thay đổi điều gì

Thế hệ 3.8 không phải là một bản tinh chỉnh lại. Ba bề mặt đã thay đổi một cách thực chất.

Số lượng giọng nói và việc tạo giọng nói — 3.1 Flash TTS đã ra mắt kèm một bộ giọng nói dựng sẵn. 3.8 Flash TTS cung cấp 30 giọng studio dựng sẵn, bao gồm Kore và Puck, cùng với tính năng thiết kế giọng nói từ mô tả bằng ngôn ngữ tự nhiên và nhân bản giọng nói từ mẫu 30 giây kèm xác minh đồng thuận, dấu thủy vân SynthID và thông tin xác thực C2PA trên đầu ra. Tính năng phối trộn giọng nói được liệt kê là sắp ra mắt thay vì đã phát hành.

• Kiểm soát cách thể hiện — chỉ dẫn theo từng dòng, dàn dựng cảnh hai người nói trong cùng một cuộc gọi, và các tín hiệu phi ngôn từ được viết thẳng vào kịch bản như <cười>, <thở dài>, <hít vào>, |ừm| và |ừ|. Tài liệu ra mắt của Google tuyên bố cải thiện độ nhất quán ở dạng dài và khả năng kiểm soát kịch bản hai người nói, cụ thể là so với 3.1. Đó là tuyên bố của nhà cung cấp mà không có bản chạy công khai nào đằng sau.

• Phạm vi ngôn ngữ — 130 ngôn ngữ trên Flash TTS và 101 trên Flash-Lite TTS, được tự động phát hiện từ văn bản. Phạm vi công bố của 3.1 Flash TTS thấp hơn.

Thay đổi mang tính cấu trúc nằm ở việc tách ra. 3.1 Flash TTS không có một sản phẩm kế nhiệm duy nhất; có tới hai, và tài liệu của Google định vị Flash-Lite TTS là “bản thay thế chủ lực”. Điều đó quan trọng vì nó có nghĩa rằng việc di trú là một quyết định về hạng, chứ không phải một lần nâng phiên bản. Hạng rẻ hơn không phải là phiên bản mới hơn của thứ bạn đang có — mà là một điểm khác trên đường cong.

Tại sao giá đã giảm mà bảng xếp hạng lại nói rằng nó đã tăng

Hãy bắt đầu với những gì Google công bố, vì đó mới là những gì bạn thực sự sẽ bị tính phí.

Gemini 3.1 Flash TTS Preview — 1,00 đô la cho mỗi triệu token văn bản đầu vào, 20,00 đô la cho mỗi triệu token âm thanh đầu ra. Batch là 0,50 đô la và 10,00 đô la.

• Gemini 3.8 Flash TTS Standard — 0,50 USD và 9,00 USD đến hết ngày 31 tháng 12 năm 2026, sau đó là 1,00 USD và 18,00 USD. Batch và Flex 0,25 USD và 4,50 USD. Priority 0,90 USD và 16,20 USD.

• Gemini 3.8 Flash-Lite TTS Standard — $0,50 và $6,00 đến hết ngày 31 tháng 12 năm 2026, sau đó là $1,00 và $12,00. Batch và Flex $0,25 và $3,00. Priority $0,90 và $10,80.

Chỉ riêng ở hạng mục đầu ra âm thanh, 3.8 Flash TTS ở mức 9,00 USD so với 3.1 ở mức 20,00 USD là mức giảm 55 phần trăm, và 3.8 Flash-Lite TTS ở mức 6,00 USD là mức giảm 70 phần trăm. Ngay cả ở mức 18,00 USD sau khuyến mãi, Flash TTS vẫn thấp hơn mô hình mà nó thay thế. Đó là con số xuất hiện trên hóa đơn, và nó rõ ràng không thể nhầm lẫn.

Giờ đến bảng xếp hạng. Artificial Analysis công bố mức giá trên mỗi triệu ký tự để các mô hình tính phí theo những đơn vị khác nhau có thể được xếp hạng cạnh nhau, và với cặp này, họ đưa ra 18,30 đô-la cho 3.1 Flash TTS và 33,00 đô-la cho 3.8 Flash TTS. Nếu chỉ đọc riêng con số đó, điều này cho thấy bản nâng cấp gần như đã tăng gấp đôi giá.

Điểm dung hòa nằm ở chỗ mức theo ký tự là một phép quy đổi, không phải là giá, và hệ số quy đổi không giống nhau giữa hai mô hình. Việc quy đổi token âm thanh sang ký tự đòi hỏi phải giả định cả tốc độ nói lẫn tỷ lệ token âm thanh — Google đo âm thanh ở mức 25 token mỗi giây đầu ra — và còn phải chọn bậc dịch vụ nào để chuẩn hóa theo. Nếu bảng chuẩn hóa 3.8 theo mức $18.00 sau khuyến mãi trong khi chuẩn hóa 3.1 theo mức $20.00 của chính nó, thì hai giá trị này đủ gần nhau đến mức bất kỳ khác biệt nào trong giả định số giây trên mỗi ký tự cũng chi phối kết quả. Một mức theo ký tự được xây dựng trên giả định tốc độ nói hào phóng sẽ làm lợi cho mô hình mà nó được áp dụng.

Do đó, hướng dẫn thực tế là: hãy dùng mức giá theo token của Google để lập ngân sách, và chỉ dùng mức giá theo ký tự của bảng xếp hạng cho tỷ lệ giữa các mô hình mà bảng xếp hạng đã đo theo cùng một cách. Đừng trộn chúng, và đừng trích dẫn mức dịch chuyển từ $18.30 lên $33.00 như một mức tăng giá — đó là sản phẩm phụ của một phép chuẩn hóa mà hai mô hình không cùng dùng.

Chi phí chuyển đổi thực sự lại là một thứ khác, và đó chính là cửa sổ khuyến mãi. Cả hai gói mới đều ở mức một nửa giá cho đến ngày 31 tháng 12 năm 2026 và tăng gấp đôi vào ngày 1 tháng 1. Một cuộc chuyển đổi được lập kế hoạch dựa trên các con số của tháng 9 và thực hiện vào tháng 11 sẽ được tính lại giá trong quý đầu tiên. Mức giá tháng 1 năm 2027 cho Flash TTS, 18,00 USD mỗi triệu token âm thanh, vẫn thấp hơn mức 20,00 USD của 3.1 — vì vậy mức cắt giảm là có thật sau giai đoạn khuyến mãi, chỉ là nhỏ hơn nhiều so với vẻ ngoài hiện tại.

Mức cải thiện chất lượng, và những gì không đứng đằng sau nó

Elo đấu trường là con số duy nhất ở đây được thu thập bởi một bên khác không phải nhà cung cấp, và là con số duy nhất vượt khỏi khoảng sai số của nó. Sáu mươi mốt điểm từ 1.199 lên 1.260, với 3.430 mẫu trên 3.1 và 1.999 trên 3.8, và 7 tiếng nói từ đấu trường so với 8. Số lượng mẫu trên mô hình mới hơn thấp hơn, khiến khoảng của nó rộng ra, và dù vậy các khoảng vẫn không chạm nhau.

Điều không đứng sau nó: bất kỳ benchmark độc lập nào ngoài arena. Các con số công bố ra mắt của Google — nhất trên Hume AI Voice Design Benchmark với 71.4, nhất về mô hình hóa khẩu âm với 60.8, nhất và nhì trên Hume Overall Quality Index cho Flash và Flash-Lite, cùng các thứ hạng dẫn đầu về ưu tiên mù được tuyên bố ở tiếng Nhật, tiếng Bồ Đào Nha Brazil, tiếng Việt, tiếng Ả Rập chuẩn hiện đại, tiếng Tây Ban Nha Mexico và tiếng Hindi — là việc nhà cung cấp trích dẫn benchmark của bên thứ ba. Các lần chạy cơ sở không được công khai. Hãy đọc chúng như những tuyên bố, cùng hướng với kết quả arena nhưng không bổ sung trọng lượng độc lập cho kết quả đó.

Câu hỏi về deprecation và danh sách kiểm tra di chuyển

Google vẫn chưa công bố ngày tắt cho Gemini 3.1 Flash TTS Preview. Họ đã nói rằng Flash-Lite TTS được định vị là sản phẩm thay thế chủ lực của nó, và đây là kiểu ngôn từ thường xuất hiện trước một thông báo ngừng hỗ trợ chứ không phải sau đó. Nếu bạn vẫn đang dùng mô hình xem trước, cách hiểu đúng là bạn có một cuộc di chuyển cần lên kế hoạch, chứ không phải một thời hạn phải đáp ứng — và việc chờ đến hạn chót là chiến lược sai đối với một mô hình mà bản thay thế đã dẫn trước 61 điểm Elo.

• Kiểm tra xem khối lượng công việc của bạn cần hạng nào. Flash TTS cho 130 ngôn ngữ và toàn bộ phạm vi phân phối; Flash-Lite TTS cho 101 ngôn ngữ với mức $6.00 cho mỗi triệu token âm thanh. Danh sách ngôn ngữ mới là ranh giới phân định, không phải chất lượng.

• Định giá lại theo mức giá tháng 1 năm 2027, không phải mức giá khuyến mãi. 18,00 USD cho mỗi triệu token âm thanh trên Flash TTS, 12,00 USD trên Flash-Lite.

• Quyết định xem công việc có thể xử lý theo lô hay không. Batch và Flex giảm một nửa giá âm thanh trên cả hai gói — $4.50 và $3.00 mỗi triệu token. Bất cứ thứ gì không mang tính tương tác thì không nên ở gói Standard.

• Kiểm tra lại mọi thứ phụ thuộc vào bộ giọng nói. Danh mục mặc định có 30 giọng dựng sẵn; giọng bạn đang dùng trên 3.1 có thể cần được tạo lại, thông qua thiết kế giọng nói hoặc thông qua mẫu nhân bản 30 giây.

• Kiểm tra lại việc định hình yêu cầu. Không có giới hạn ký tự trên mỗi yêu cầu nào được công bố cho các mô hình 3.8, và âm thanh được tính theo giây chứ không phải theo ký tự, nên một phát ngôn dài sẽ tốn kém hơn mức mà báo giá theo ký tự gợi ý.

• Lập kế hoạch vòng đời giọng nói tùy chỉnh. 200 giọng có trạng thái cho mỗi dự án với thời gian tồn tại một năm, hoặc không trạng thái voicekey_... handle hết hạn sau bảy ngày.

Đang chạy cả hai trong khi bạn quyết định

Một bản nâng cấp trong cùng dòng sản phẩm với thời hạn khuyến mãi sắp hết và một bất đồng về chuẩn hoá chính là trường hợp điển hình để không chuyển đổi chỉ trong một bước. OrcaRouter hiện đang định tuyến model cũ hơn — models/google/gemini-3.1-flash-tts-previewnằm trong danh sách model của chúng tôi — nên bạn có thể dựng model mới chạy song song bên cạnh nó và so sánh trên chính lưu lượng của mình trước khi chuyển đường đi production. Chúng tôi không tự vận hành các endpoint Gemini 3.8 TTS; chúng đến từ API của chính Google. Điều chúng tôi cung cấp là một khoá duy nhất cho hơn 200 model ở đúng giá niêm yết của nhà cung cấp, không thêm phụ phí, nên khi nhà cung cấp thay đổi mức giá, hoá đơn của bạn cập nhật ngay trong ngày thay vì đợi đến kỳ gia hạn, và chuyển đổi dự phòng tự động để một model hoàn toàn mới là thứ bạn có thể dùng thử mà không phải đặt cược đường phục vụ khách hàng vào đó.

Điều đáng quan tâm là liệu Google có gắn một ngày cho bản xem trước 3.1 Flash TTS hay không. Dòng tài liệu duy nhất đó có giá trị đối với một kế hoạch chuyển đổi hơn bất kỳ benchmark nào trong bài viết này, và nó vẫn chưa được viết ra.