Gemini 3.8 Flash TTS：一句话造声音，像导演一样逐行改配音

做一条短视频，最拖进度的是什么？对很多人来说不是写稿，是配音：要么自己录，环境不安静、状态不好就得重来；要么用 TTS，出来的声音平得像念说明书，想让它「这句无奈一点」「对方在旁边嗯一声」，只能后期硬剪。

Google 这次给 Gemini 家族加的两个文字转语音模型，就是冲着这个问题来的：Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS。它们把 TTS 从「选一个声音，把字丢进去」变成了「像导演一样逐行指导配音」。

先分清楚：两个模型不是一个好坏档次

很多人看到「Flash」和「Flash-Lite」，会默认后者是缩水版。这次不是。

• Flash TTS：定位深度创意导演和角色设计。典型用途是游戏角色、沉浸式有声书、播客、互动媒体。从零设计新声音是它的强项。
• Flash-Lite TTS：定位大批量、低成本规模化。典型用途是大批量配音、音频内容生产、语音 Agent。

要演戏、做角色，选 Flash；一天要生成成千上万条配音或客服语音，选 Flash-Lite。

值得强调一句：在几项评测里，Flash-Lite 和 Flash 的分数几乎贴着走，在英语等三种语言的盲听偏好里甚至排在 Flash 前面。所以别把它当降级选项。

声音可以「描述」出来，不用再从预设里挑

以前用 TTS，第一步是从几十个预设声音里挑一个最接近的，然后凑合用。这次 Flash 支持声音设计：用自然语言写清角色、口音和声音特点，模型从零生成一个新声音。

比如你写「墨尔本高能 DJ」或者「身经百战的低沉嗓音」，它就按这个描述造一个声音出来。官方称声音库从 30 个扩到了 2000 多个。

这件事的实际价值：做系列内容时，你需要的是「一个稳定、有辨识度、属于你的声音」，而不是「一个大家都用过的通用音色」。能描述，就意味着能定制。

30 秒录音复刻，但有硬门槛

你也可以在取得本人同意的前提下，用一段短录音复刻自己的声音。

流程上有两个必须知道的约束：

• 需要本人朗读一段同意声明来做验证，不是随便传一段音频就行。
• 所有生成的音频都带 SynthID 水印，用于标识合成来源。

另外，这项能力目前在美国伊利诺伊州、得州，以及欧洲经济区、英国、瑞士、印度暂不可用。如果你在这几个地区，别指望现在能用上。

为什么门槛这么高：声音克隆的滥用风险比图像高得多——一通电话、一段语音就能骗人。这些限制既是合规要求，也是在保护整个行业的空间。自己用的时候，同样要守住「只用自己或已授权的声音」这条线。

脚本就是导演本：四种标记

这是这次最实用的部分。你可以像写剧本一样，逐行标注每一句怎么演：

• 方括号 `[ ]`：写表演指示。比如 [无奈地]、[压低声音]。
• 尖括号 `< >`：插非语言声音。比如 <叹气>、<笑声>、<停顿>。
• 竖线 `|`：写对方插话。
• 双人对话可以抢话重叠：两个人同时说话、互相打断，也能生成。

这意味着什么：以前要做出「两个人真实对话」的感觉，得找两个人录音、再剪到一起。现在一份脚本就能出来，而且语气、停顿、插话、笑声都是可控的。

对做播客、剧情短视频、产品介绍、教学内容的来说，这是直接省掉一整道后期工序的能力。

一份可直接改的脚本示例

[专业、平稳] 欢迎回到本期节目。

[略带无奈] 上周我们说要解决的那个问题，<叹气> 结果比预想的复杂。

| 有多复杂？

[语速加快] 复杂到我们得单独做一期来讲。

按这个结构写，出来的就不是「一个人在念稿」，而是有节奏、有情绪、有互动的一段音频。

评测：有赢的地方，也有输的地方

要看清它的位置，不能只看官方宣传。

领先明显的几项：口音表现、日语、总体质量。这几项说明它在多语言和自然度上确实有竞争力。

落后的几项：拟人变化、声音特质这两项，ElevenLabs 更高。在英语盲听测试里，Flash 只排第三。

怎么读这份评测：如果你做的是中文或日语内容、需要角色化和戏剧感，Flash 值得一试；如果你追求的是英语旁白里那种「极像真人」的质感，现阶段它可能还不如专门的竞品。

别只看评测，跑你自己的素材。拿你真实的一段稿子，用 Flash、Flash-Lite 和你现在在用的方案各生成一遍，盲听对比。你的耳朵比任何榜单都准。

在哪能用上

目前普通用户能接触到的入口是 Gemini Notebook 和 Google Vids。API 侧的用法要看你接入的渠道。

落地建议：这样用最划算

1. 先把脚本写好，再生成。脚本越具体，出来的效果越好。模糊的稿子配再强的模型也救不回来。

2. 非语言标记别省。叹气、停顿、笑声，恰恰是「像真人」的关键。很多人第一次用只写文字，出来的效果平平，其实是没用上标记。

3. 系列内容固定一个声音。不要每条换一个，识别度是靠重复建立的。

4. 批量场景用 Flash-Lite。日常配音、客服语音、大量短视频，走 Lite 更合适。

5. 合规底线：只复刻自己或已明确授权的声音；涉及他人声音的，留好授权记录。

现在就可以做的一件事

挑一条你已经发布的视频，把它的配音稿拿出来，加上方括号和尖括号的表演标记，重新生成一版音频，和原版对比。

如果听感明显更好，那你以后所有的内容都可以用这个流程。配音这件事的成本结构变了——以前是时间和状态决定质量，现在是脚本精度决定质量。