IT之家9月23日消息，谷歌今日宣布，Gemini家族新增两款全新文本转语音模型，将语音生成从静态预设转变为动态创意工作室，能够帮助创作者、开发者和企业打造更丰富、更具表现力的音频体验，同时为Gemini Notebook和Google Vids等产品改进用户体验。
两款新模型分别为Gemini3.8Flash TTS和Gemini3.8Flash-lite（LITE） TTS，定位各有不同：
Gemini3.8Flash TTS：面向深度创意方向和角色设计，可通过自然语言提示从头创建全新语音，在游戏（881275）、沉浸式有声读物、播客和互动媒体中赋予角色生命力，还可对表演提示、节奏、方言转换等进行精细控制。
Gemini3.8Flash-lite（LITE） TTS：面向大容量、高性价比规模场景，针对大容量配音、音频内容创作和富有表现力的语音代理进行了优化，可对音调、节奏和表现力细微差别进行精细控制。
据IT之家了解，用户可以从原有30种原始语音扩展到无限语音库。该模型的具体功能包括：
生成式语音设计：可通过自然语言提示，在100多种语言和方言中自定义角色、口音和语音特征，从头创建定制语音。
扩展语音库：可访问2000多种现成语音，覆盖广泛语言，包括墨西哥西班牙语、魁北克法语、苏格兰英语等区域变体。
语音复制：仅需30秒音频样本即可重现一致的声音特征，并内置同意验证、SynthID水印和C2PA凭据，保护开发者和声音人才。
保存与扩展：可保存和管理自定义语音，确保在持续项目中保持一致性能，最小化漂移。
语音混音：即将推出，用户可从语音库中选择一种语音，对音色、音高、节奏和口音进行微调，还可使用提示调整特征。
选好声音后，两款TTS模型都能让用户精确控制每一行台词的演绎方式：
逐行指导表演：用户可以编写自己的舞台指导，或让Gemini通过自然脚本提示引导交付，无论是平静的客服还是低声的悬疑场景，都能实现。
长篇生成：在数小时的连续音频中保持高语音质量、自然节奏和角色音色，扬声器漂移极小，非常适合播客和有声读物。
原生双声音场景编排：可从单个脚本中无缝指导多轮对话，同时保持两种声音清晰分离，实现自然的对话轮换。
脚本化声音爆发和背景反馈：可添加非语言提示(如
性能方面，Gemini3.8Flash TTS在Hume AI的语音设计基准测试中(71.4分)位居总体第一，在口音建模方面(60.8分)也处于领先地位。
Gemini3.8Flash TTS和Gemini3.8Flash-lite（LITE） TTS能够在不牺牲可靠性的情况下实现真正富有表现力的性能，在Hume AI的整体质量指数中分别占据第一和第二的位置，与Gemini3.1Flash TTS相比，在长格式内容和双扬声器剧本控制等广泛用例中都有重大改进。
在 Voice Arena的盲法人类偏好评估中，Gemini3.8Flash和Flash-lite（LITE） TTS在全球主要语言(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)竞争对手中占据领先地位。凭借对100多种语言的支持，这些模型能够帮助创作者、开发者和企业在全球范围内打造高质量的多语言语音体验。
谷歌在语音创建和复制功能中内置了严格的保护措施，以帮助保护语音人才、尊重身份并确保内容透明度。对于语音复制，系统会利用同意验证：用户必须提供来自语音所有者的口头同意记录，与参考说话者匹配后才能创建语音。
Gemini Audio模型生成的每个音频片段都带有SynthID水印且难以察觉，并被直接编织到音频输出中，确保可以检测到AI生成的语音，帮助防止错误信息。
即日起，开发者就可以在Google AI Studio中体验这些新的语音生成功能。用户可以通过提示从头开始创建全新的声音身份，或者复制自己的声音，然后将它们直接带入双扬声器剧本编辑器，逐行指导交付。
两款模型均已向开发者推送，可在Gemini API和Google AI Studio中使用；面向企业用户，很快将通过Gemini Enterprise（EFSC）中的API推出；面向所有用户，Gemini3.8Flash TTS可在Gemini Notebook中使用，Gemini3.8Flash-lite（LITE） TTS可在Google Vids中使用。
需要注意的是，通过AI Studio进行的语音复制在伊利诺伊州、德克萨斯州、欧洲经济区、英国、瑞士和印度不可用。
