Gemini 3.8 Live 對比 Gemini 3.8 TTS：對話迴圈與朗讀語音共用同一個世代名稱

Gemini 3.8 Live 是一款語音轉語音模型，於 2026 年 9 月 15 日推出，型號為gemini-3.8-live與gemini-3.8-live-extended-thinking。「Gemini 3.8 TTS」根本不是一個模型——它是發表報導（包括 Google 自家文章的標題）用來統稱那對文字轉語音端點的總括用語，而這對端點於 2026 年 9 月 23 日推出，型號分別為gemini-3.8-flash-tts與gemini-3.8-flash-lite-tts。所以，這不是那種尋常的對比頁面，讓兩個產品爭奪同一項工作。這是一頁關於兩項共用同一個世代編號的工作，也是關於當人們把「Live」和「TTS」這兩個詞當成同一件事的兩種口味時，所犯下的那個特定錯誤。

共享世代號所隱藏的分支

Google 的語音生成說明文件本身就劃清了界線，而這句話很容易在快速瀏覽時被略過：「TTS 功能與透過 Live API 提供的語音生成不同。」同一段文字也解釋了原因，而這個原因是結構性的，並非品質優劣的問題。Live API 是為「互動式、非結構化音訊，以及多模態輸入與輸出」而打造。透過 Gemini API 提供的 TTS「則是為需要精確朗讀文字並具備精細控制的場景所量身打造」。後續的一則附註明確指出輸入形式：TTS 模型只接受文字，並且只回傳音訊。

那個單一限制——輸入文字、輸出音訊、沒有音訊輸入——就是整個比較的核心。Gemini 3.8 Live 模型會聽見對它說話的人。Gemini 3.8 Flash TTS 或 Flash-Lite TTS 模型則永遠聽不見任何人；它讀取一段字串並將它表演出來。其餘一切皆由此而來：針對其中一方存在的基準測試，對另一方毫無意義；計價是按不同單位計量的；而且失效模式根本無法相提並論。

這點很重要，因為這兩個使用案例從外表看起來完全相同。語音代理與旁白管線最終都會輸出聽起來像真人說話的語音。只有其中一個可以被中斷。

「Gemini 3.8 TTS」實際上解析到哪裡

打開 Gemini API 語音生成的支援模型表格，你會發現四個 TTS 項目，卻沒有名為 Gemini 3.8 TTS 的項目。其中兩個屬於這一代：Gemini 3.8 Flash TTS，模型 ID gemini-3.8-flash-tts，支援 130 種語言，以及 Gemini 3.8 Flash-Lite TTS，模型 ID gemini-3.8-flash-lite-tts，支援 101 種語言。另外兩個——Gemini 3.1 Flash TTS Preview 和 Gemini 2.5 Pro Preview TTS——是 Flash-Lite 所取代的預覽世代。

所以當有人說「Gemini 3.8 TTS」時，他們通常指的是 Flash 層級，因為那是發布貼文主打的項目，也是 Arena 排行榜上排名最高的。當他們用這個說法來指稱即時語音代理時，他們指的其實並不存在，因為他們想要的東西位於不同的端點，有不同的名稱和不同的輸入契約。

還有第三個值得指名的碰撞，因為它會產生最糟的建議。Gemini 3.8 Live 不是一款附帶額外功能的文字轉語音模型。它是一款語音轉語音模型，而它每單位成本更高的原因，在於它每單位做的工作更多：聆聽、在發話中途推理、處理插話，而且在 Extended Thinking 變體中，還會在回答前先深思熟慮。

唯一真正能相比的數字

品質分數不會在這兩個家族之間移轉；沒有單一評分板能用同一軸度為旁白者和對話者打分。金錢確實會移轉——只要你誠實地選定單位——而對任何語音事物來說，誠實的單位就是音訊小時。

• 按輸入計量 — Gemini 3.8 Live 依每分鐘音訊計費，輸入每分鐘 $0.005、輸出每分鐘 $0.018；相對地，Gemini 3.8 Flash TTS 依每百萬音訊權杖計費，2026 年 12 月 31 日前為 $9.00，之後為 $18.00
• 按輸出計量 — Gemini 3.8 Live 的雙向音訊，依定價表，同時輸入與輸出每小時約 $1.38，且尚未計入任何提示快取；相對地，Gemini 3.8 Flash TTS 是單向串流，而依 Artificial Analysis 的標準化計算，一百萬字元的成品旁白為 $16.5
• 文字輸入 — Gemini 3.8 Live 將文字與音訊分開列帳，輸入每百萬文字權杖 $0.75、輸出 $4.50；相對地，TTS 端點的文字輸入為每百萬權杖 $0.50
• Flash-Lite 層級 — Gemini 3.8 Live 沒有更便宜的兄弟方案；選擇只有 Live 或 Extended Thinking；相對地，Gemini 3.8 Flash-Lite TTS 定價為每百萬音訊權杖 $6.00，之後 $12.00，而 Artificial Analysis 為每百萬字元 $11.0
• 輸入形態 — Gemini 3.8 Live 為音訊、視訊與文字輸入，音訊輸出；相對地，TTS 端點為文字輸入，音訊輸出

Live 的數字是我們根據 Google 公布的每分鐘費率計算出來的，並非 Google 公布的每小時數字。字元數字是 Artificial Analysis 的標準化結果，當你比較語音合成層級時，應該引用這組數字。請注意，Artificial Analysis 自家的 Speech to Speech 排行榜針對 Live 模型另有一欄每小時輸入音訊成本——Gemini 3.8 Live 約為 $3.50，Extended Thinking 變體約為 $0.84——這又是另一種標準化方式，不應把它拿來跟每分鐘費率表並列，彷彿兩者是同一種測量方式。

選錯會出什麼問題？

這些失效模式之所以具有啟發性，正因為它們彼此如此迥異。

當你需要的是對話迴圈，卻呼叫了 TTS 端點，而且沒有任何錯誤。請求傳回有效的音訊。你會得到對固定字串流暢、朗讀優良的回應，然後是一片沉默——因為從來就沒有任何東西在聆聽。團隊在建立第一個插話（barge-in）測試時發現這件事，並發現「使用者」必須等到整段音訊播放完畢，下一輪才能開始。將對話功能改裝到合成端點上，意味著要在其周圍加入語音辨識、輪替發言政策以及中斷機制；到了這個地步，你已經重建了一套串接式系統，而且你得為兩個模型付費，而不是一個。

當你需要的是旁白，卻呼叫 Live 端點，你就在為自己用不到的能力付費。Live 模型會雙向計量收費，因為它預期會有雙向互動。對有聲書或訓練影片的配音來說，輸入端是一份永遠不會變的腳本，而模型也完全不需要聽到任何東西。你等於買了一個對話迴圈來朗讀文件。

唯一真正難以抉擇的情況，就是串接式架構：先辨識，再推理，然後合成。這種架構並未過時，而且對許多正式環境系統來說，它仍然是正確的選擇，因為它讓你能獨立抽換每個階段，並為每個階段挑選不同的供應商。它的代價是延遲，以及犧牲了單一端到端模型能在對話輪次邊界之間維持的韻律。這種取捨在兩個方向上都是真實存在的。

在路由已存在處

OrcaRouter 並不提供 Gemini 3.8 Live 端點，也不提供 3.8 TTS 端點，而這一點值得在談論路由的任何其他事情之前先說清楚，因為面對這麼龐大的目錄，人很容易假設情況正好相反。這個目錄確實收錄的，是這個家族其餘的成員——google/gemini-3.8-flash，涵蓋在 28 個 Google 模型之中，以及總計超過 200 個模型，只需一組金鑰，即可依供應商原價使用，絕不加價。

這件事對串聯式架構尤其重要。如果你的架構是辨識、接著推理、然後合成，那麼推理階段正是單一金鑰橫跨多家供應商能帶來回報的環節，因為這是你最常替換的階段，也是供應商降價應該當天就反映到你的帳單上、而非等到下一次合約續約的階段。它也是自動容錯移轉發揮價值的階段：一個串聯式架構有三個可能故障點，而中間那一個是做成備援最便宜的地方。

簡短的決策規則

如果模型必須回應某個它原本並非以文字形式取得的內容，你要的是 Gemini 3.8 Live，而且你應該按 Goog​le 的每分鐘音訊費率來編列預算，並預期得思考你需要的是兩種變體中的哪一種。如果文字已經寫好，而工作是把這段文字表演出來，你要的是 Gemini 3.8 Flash TTS 或 Flash-Lite TTS，而且你應該按每百萬字元來編列預算，並依據語言涵蓋範圍，以及品質差距是否值得價格差距來選擇等級。

而如果有人要你比較「Gemini 3.8 Live 與 Gemini 3.8 TTS」，彷彿它們是兩個產品，你能做的第一件有用的事，就是先問清楚是哪個端點。簡報上的名稱並無法對應到單一端點，而這個答案所改變的是架構，不只是帳單。