Google 推出了 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 兩個新模型，能夠僅憑 30 秒的音訊範本複製聲音，並提供對語音生成的細粒度控制。這些模型現已透過 API 和 AI Studio 提供，標誌著開發者和創作者從靜態預設值轉向動態創意工作室的轉變。
此次更新大幅提升了 Google 語音生成的表現力，使有聲書、廣播劇和互動產品更加自然且可客製化。雖然 Live API 專注於互動式非結構化語音，但這些新的 TTS 模型則針對需要精確控制風格、節奏和語調的場景進行了優化。
這些模型支援內建的同意驗證、SynthID 水印以及 C2PA 憑證，以保護開發者和配音員。透過將同意驗證和 SynthID 水印等進階功能直接整合至工作流程中，Gemini 在文字轉語音市場中確立了強大的競爭地位。
事件背景
文字轉語音（TTS）技術將書面文字轉換為語音，隨著神經網路的發展，其語音已從機械式的單調聲音演變為自然聽感。聲音複製是 TTS 的一項特定功能，能夠透過短範本建立說話者的數位分身，讓 AI 能以該特定聲音朗讀任何文字。這項技術正廣泛應用於有聲書、無障礙工具和內容創作中。
社群觀察
社群成員指出聲音複製功能已廣泛普及，顯示 Google 正在追趕競爭對手。用戶對用於有聲書創作的本地開源模型特別感興趣，其中有人強調了使用 Gemma 進行散文分析的 KeenLore 等工具。此外，也有用戶希望有能利用 Qwen 或 Kokoro 等靈活 TTS 後端進行隨聽隨用的瀏覽器擴充功能。
