使用 Gemini 3.8 Flash TTS 创建并部署自定义音频：语音设计、克隆，以及决定成败的两个时钟

Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 都允许你通过文字描述来创造语音，而不是从列表中选择，并且两者均于 2026 年 9 月 23 日在 Gemini API 上正式发布。人们反复提及的亮点是语音设计。真正值得提前规划的是定制语音之后的去向，因为厂商提供了两种保留语音的方式，并为每种方式设定了不同的有效期。一旦选错，你的产品所依赖的语音将在一周后失效。

这就是目前为止发布报道中的空白。那些公告文章解释说，你可以通过提示让一个声音诞生，其中几篇还提到可以从 30 秒的样本进行克隆。但没有一篇详细讲解存储模型，而正是这个模型决定了语音流水线究竟是可以从配置文件复现，还是必须按周期重新配置。本文涵盖整条路径——设计、存储、调用和付费——并采用 Google 公布的价格和配额。

9月23日发布了什么

两个模型，一套 API 架构。标识符是 gemini-3.8-flash-tts和 gemini-3.8-flash-lite-tts，而 Google 的文档明确指出，两者采用“完全相同的 API 架构和提示词格式”——在它们之间切换只需更改一个参数，而无需重写。

• 输入——仅限文本。两个模型均接受文本并返回音频；它们并非多模态模型，也不会返回生成的文本。

• 输出 — 一元端点上输出 WAV、24 kHz 单声道 16 位有符号 PCM；流式端点上输出无头 PCM（audio/l16）；audio/mulaw 和 audio/alaw 也可接受，采样率可配置。

• 语言 — Flash TTS 支持130种，Flash-Lite TTS 支持101种，根据文本自动检测，而非在请求中声明。

• Voices — 文档中列出了 30 个精选录音棚音色（其中包括 Kore 和 Puck），还有一个包含“数百个”更多音色的扩展语音库，可通过 voices endpoint 查询，以及下方两条创建路径。

• 方向控制——逐行控制语音输出、从单一脚本编排双人场景，以及直接写入转录文本的非语言提示，如 <laughs>、<sigh> 和 |mhm|。

之所以分为两个层级，是因为工作负载出现了分化。Flash TTS 定位为追求最高的声学保真度与复杂表演；Flash-Lite TTS 用 Google 自己的话说是gemini-3.1-flash-tts-preview的"主力替代品"，面向批量配音、朗读功能和语音智能体级联。两者都取代了自 2026 年 4 月起就存在于 API 上的单一预览模型，所以如果你此前用的是预览版，这次迁移是一个层级选择，而不是版本升级。

设计一种声音就是一个提示，而这改变了审查步骤

创建界面是这一代中真正的新事物。一个 提示词驱动的声音由自然语言描述——角色、口音、声音特质——构建而成，并返回一个可供你复用的标识符。在 API 中，这是一次语音创建调用，使用 store: true以及一个提示词输入；在 Google 自己的示例中，描述从活力四射的墨尔本 DJ 一直延伸到日本龙。声音一旦创建，就会在语音请求中通过其标识符被引用，而每次请求的风格指令随后就可以极少甚至为空，因为角色已经融入声音本身。

实际后果是工作流程的改变，而不只是多了一个功能。过去，语音选角要么是一场授权谈判，要么是一次录音棚预约，这意味着音色的选择只发生一次、而且发生在早期，并且能挺过评审，因为改动它太昂贵了。当一条音色就是一段文本时，选角就变成了一种设计令牌——一种产品经理可以在周二要求重新掷一次的东西。把描述字符串纳入源代码管理、并把生成的音色 ID 当作构建产物的团队，会在各个环境中得到一致的输出。而在 AI Studio 里手工创建音色的团队则不会，这种失败会表现为预发布与生产环境音频之间一种莫名其妙的差异。

两个时钟

{{1}}这是发布文章会略过的部分。{{/1}} {{2}}Google 允许你以两种状态之一保留设计或复制的语音，而它们的过期速度天差地别。{{/2}}

• 存储的语音 — 在启用存储后创建，它们保存在你的项目中，并受每个项目 200 个语音的配额限制，有效期为一年。

• 无状态密钥 — 语音复刻可能会返回由客户端管理的密钥（voicekey_… 形式），而不是已存储的标识符，且该密钥的有效期为七天。

把这两点放在一起看，它们就是一条设计指令。预存音色是一份为期一年的承诺，并且每个项目有 200 个的硬性上限；对于一个角色阵容固定的产品来说，这很宽裕，而对于任何需要为每位客户生成新音色的场景则毫无用处。无状态密钥则相反：没有配额压力，但密钥需要每周重新生成，这意味着你的应用需要一条刷新路径，你的基础设施也需要存储会轮换的凭据。两者都没错。没意识到自己选了哪一个就做出选择，正是语音代理在第八天突然哑掉的原因。

复制还附带另外两个特性，在向法务团队做出任何承诺之前，值得先了解清楚。创建复制语音需要语音所有者提供一段口头同意录音，且必须与参考说话人匹配——这是一次口头核验，而不是勾选一个复选框。而且输出结果自带来源信息：每个音频片段都用 SynthID 打上水印，复制语音还额外带有 C2PA 内容凭证。其设计路径有意选择了更难被滥用的那一条，而且这两道屏障都是结构性的，而非政策声明。

有一个差异值得指出而非解决：Google 的受支持模型表将语音设计和语音复刻列为在两个 3.8 TTS 模型上都可用。大多数发布报道则把复刻专门描述为 Flash TTS 方案的一部分。如果复刻对你决定选择哪个层级很重要，请对照你打算发布的那一层级的文档来核实，而不是轻信任一方的概述。

一小时音频的费用是多少

Google 对语音的计费以 token 为单位，而不是按字符或秒数，并且换算规则是公开的：音频按输出每秒 25 个 token 计量，也就是每小时 90,000 个 token。这让算术变得异常简洁，而预算里该填的是这个数字，而不是每百万 token 的单价。

• Flash TTS 标准版 — 每百万输入文本 token 0.50 美元，每百万输出音频 token 9.00 美元，优惠截至 2026 年 12 月 31 日，之后为 1.00 美元和 18.00 美元。Batch 和 Flex 分别为 0.25 美元和 4.50 美元；Priority 为 0.90 美元和 16.20 美元。

• Flash-Lite TTS 标准版 — 截至同一日期为 $0.50 和 $6.00，之后为 $1.00 和 $12.00。Batch 和 Flex 为 $0.25 和 $3.00；Priority 为 $0.90 和 $10.80。

• 以秒计费 —— 在促销期间，Flash TTS 生成音频的成本约为每小时 $0.81，促销结束后约为 $1.62；Flash-Lite TTS 则约为 $0.54，之后为 $1.08。

• 相较于它所替代的模型——gemini-3.1-flash-tts-preview的定价为每百万 $1.00 和 $20.00，因此音频输出项在 Flash TTS 上下降了 55%，在 Flash-Lite TTS 上下降了 70%。

不要针对促销价做规划。Google 把两列发布在同一张表里，这意味着一月的费率不是日后才会被发现的传闻——它今天就已经写在牌价上，而任何按 0.81 美元建立的每千分钟估算，都必须经得起翻倍的考验。

一个独立的数字，以及几个并不独立的

谷歌的公告以基准测试结果开头，而这些结果应当按其本来面目来解读。该公司称，Flash TTS 在 Hume AI 的 Voice Design Benchmark 上以 71.4 分位居第一，在口音建模上以 60.8 分领先，并且 Flash TTS 和 Flash-Lite TTS 在 Hume 的 Overall Quality Index 上排名第一和第二，在 Voice Arena 的日语、巴西葡萄牙语、越南语、现代标准阿拉伯语、墨西哥西班牙语和印地语盲测偏好中也取得了强劲名次。所有这些均为厂商自行报告，没有任何一次运行结果公开。

那份清单里有一个值得注意的细节。艾伦·考恩（Alan Cowen）被列为谷歌这份公告的作者之一，而他正是 Hume AI 的创始人——那个提供这一头条数字的 Voice Design Benchmark 就出自这家实验室。这并不意味着该数字是错的，Hume 的基准测试也确有其事，但两者并非彼此独立，读者在把这 71.4 拿来当作第三方验证引用之前，应当先知道这一点。

这项独立收集的数据来自 Artificial Analysis 的 Provider Voice Arena，为本文于 2026 年 9 月 24 日截取：Gemini 3.8 Flash TTS 以 1,260 的 Elo 位列第二，在 1,999 个样本上的区间为 17 点，落后于 1,273 的 Cartesia Sonic 3.6。Gemini 3.8 Flash-Lite TTS 以 1,235 排名第六。被取代的模型 Gemini 3.1 Flash TTS 以 1,199 在 3,430 个样本中排名第十。这是盲听者偏好，而非实验室自己的评测——也是这里唯一一个并非由 Google 委托得出的质量数字。

在哪里运行它，以及哪里还不能运行

这两款模型目前已在 Gemini API 和 Google AI Studio 中上线，无需排队等候。面向消费者和企业的产品形态仍处于分阶段推进的状态，而非已经正式发布：Flash TTS 即将登陆 Gemini Notebook，Flash-Lite TTS 即将登陆 Google Vids，Gemini Enterprise 的访问权限被描述为“即将推出”，而声音混音——即对现有声音调整音色、音高、语速和口音——被列为未来功能，而非当前已有功能。如果你的方案依赖混音功能，那么它目前尚不存在。

先说我们这边，诚实为先：Gemini 3.8 TTS 端点并不在 OrcaRouter 的路由表上。它所取代的那一代才是——google/gemini-3.1-flash-tts-preview已在目录中，价格为每百万 token 1.00 美元和 20.00 美元，与 Google 公布的价格一致，因为供应商标价原样传递、不加价，而且它响应的正是/v1/audio/speech端点——你的 OpenAI 兼容 SDK 本来就指向它。对语音工作负载而言，这一点比听起来更重要，因为你真正买到的，是一个稳定的端点：无论其背后的模型如何更替，你的应用都能持续调用。你的代码里存着模型字符串；目录里存着路由。当 Google 的促销窗口在 12 月 31 日关闭、Flash TTS 价格翻倍时，经路由的模型价格会在当天就随之变动，而不是等到下一次合同续签——而当某个模型宕机时，它会故障转移，而不会把你这支旁白队列一并拖垮。

如果你要在正式采用之前先评估这一代模型，最省钱的实验是做一个两级对比测试。把同一份脚本分别跑一遍 Flash TTS 和 Flash-Lite TTS，因为两者的 schema 完全相同，差别只是一个参数——然后用你自己的音频来判断，而不是看一张基准测试图表；在支付溢价之前，先上 Artificial Analysis 看看这个质量差距是否超出了误差范围。对于大篇幅旁白项目来说，这笔溢价是实打实的真金白银；而对于一个朗读电话号码的客服机器人来说，它显然买不到任何听众能听出来的东西。