在看今天的相關新聞時，我注意到 Google 官方發布了 Gemini 3.8 系列的兩款新模型：Gemini 3.8 Flash TTS 與 Gemini 3.8 Flash-Lite TTS。這則新聞吸引我的地方在於，我本身就是使用TSS服務的使用者，實際體驗上我認為 Google 的語音生成技術這次算是有了還沒不錯的突破，過往單純的「文字轉語音」已經開始轉向更具動態感的「創意工作室」模式。
新聞重點
根據 Google 官方部落格的說明，這次發表的兩款模型各有定位：Gemini 3.8 Flash TTS 側重於深度的創意指導，適合遊戲或有聲書等需要「演技」的場景；而 Gemini 3.8 Flash-Lite TTS 則針對高運算量、追求成本效益的應用（如大規模配音或語音代理）進行了優化。
這兩款模型的核心功能包含：
* 自然語言指令設計語音：使用者可以用白話描述來從零開始創建語音角色，系統提供超過 100 種語言與 2,000 種以上的預製語音。
* 精細的表演指導：支援「逐行表演指導」，開發者可以在腳本中加入情緒提示（如冷靜、低語），甚至能處理笑聲（`<laughs>`）、嘆氣（`<sigh>`）或主動聆聽的插嘴（`|mhm|`）等非語言訊號。
* 語音複製與安全機制：僅需 30 秒樣本即可複製語音，但 Google 設有嚴格限制，要求必須提供語音擁有者的口頭同意錄音，且所有生成音訊都會內嵌 SynthID 不可見浮水印。
* 技術指標：在 Hume AI 的語音設計基準測試中，Gemini 3.8 Flash TTS 獲得了總分第一（71.4）。
我的觀察
這次更新最核心的技術亮點，在於語音生成從「唸讀」進化到了「角色配音」。
自己算是還蠻常使用TTS的工具為影片製作旁白，過去使用 TTS 服務時，通常只能在預設的聲音中挑選，但現在 Gemini 3.8 讓開發者可以用自然語言（例如：「用神祕且低沉的聲音，帶著微弱的笑聲說」）來指定語氣。這種「自然語言表演控制」加上「非言語音效整合」，讓 AI 配音聽起來更具生命力，不再那麼機械化。
而且，在實務痛點上，我這次實際的體驗時，觀察到這次的模型對於一些過往的痛點克服了兩個很關鍵的問題：
1. 音色漂移（Voice Drift）：過去長篇朗讀時，AI 的聲音常會越唸越變形，3.8 版本強化了長文本中的聲音一致性，這對有聲書創作者來說非常實用。
2. 抑制背景雜訊：改善了生成過程中的音訊乾淨度，避免長音訊後半段出現沙沙聲。
此外，從商業角度來看，Flash 系列的高性價比與低門檻，配合 Google 目前提供的 API 優惠，我認為會大幅降低影音創作者（如自動化影片旁白）的營運壓力。對於之前主要習慣使用 Gemini 2.5 Pro TTS 的我，終於有還不錯的替換選項了。
這件事值得繼續觀察什麼
1. 從「預設」到「生成」的典範轉移：未來我們設計語音的方式，是否會變得像用 Midjourney 生成圖片一樣，完全透過文字描述來「設計」聲音，而非挑選清單？
2. AI 語音的安全防線：Google 採取的「30 秒樣本 + 口頭同意錄音 + SynthID 浮水印」組合拳，在實際應用中是否能有效防堵 Deepfake 爭議，值得持續追蹤。
3. 互動式媒體的即時性：這種具備「非語言訊號」與「雙人場景編排」的能力，可能會讓未來遊戲中的 NPC 對話自然度提升到另一個層次。
原文連結：https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-text-to-speech/
