👁 231 次阅读
30 秒录音、一句口头同意、一个可复用的声音 ID
9 月 23 日，Google DeepMind 一天内放了两个语音模型：Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS。新闻稿的标题词是『语音克隆』——30 秒音频样本就能复制一个声音，2000 多个预置音色，100 多种语言。这些词听起来都很顺。但我真正想讨论的，是发布稿里没有写、而定价页和开发者文档里写着的那几行字。
我把官方模型卡、定价页、语音复刻文档和第三方实测全部拉了一遍，结论是：这是一次产品方向上真正有意义的发布（从『选音色』变成『写音色』），但商业结构上是一个明确的倒计时——所有价格都是三个月的促销期。如果你的业务判断建立在今天的价格表上，它 1 月 1 日会失效。
先把两个模型讲清楚：一个管演出，一个管产量
这两个模型的 API schema 完全一致，prompt 结构也一样，官方明确说『用一个参数就能切换』。它们不是两个产品，是同一套引擎的两个档位。区别在工作负载定位：
| 对比维度 | Gemini 3.8 Flash TTS | Gemini 3.8 Flash-Lite TTS |
|---|---|---|
| 定位 | 旗舰创意档 | 高产吞吐档 |
| 最佳用途 | 有声书、录音棚级旁白、复杂多角色对话、方言 | 批量配音、实时语音代理、朗读、日常单声 |
| 支持语言 | 130 种 | 101 种 |
| 输入 token 上限 | 8,192 | 8,192 |
| 输出 token 上限 | 16,384 | 16,384 |
| 官方推荐替代对象 | 新的旗舰创意档 | gemini-3.1-flash-tts-preview |
| 音频输出定价（促销期） | $9.00 / 百万音频 token | $6.00 / 百万音频 token |
| 音频输出定价（2027 起） | $18.00 | $12.00 |
两者都支持预置音色库、扩展音色库（GET /v1beta/voices）、Voice design（用文字描述设计一个角色声音）和 Voice replication（从样本复刻声音）。默认输出格式是带 RIFF 头的 WAV，这一点值得单独提一句——老版本 gemini-3.1-flash-tts-preview 返回的是无头裸 PCM（audio/l16），很多老代码里手动用 Python 的 wave 模块或 ffmpeg 包一层 WAV 头。Gemini 3.8 TTS 改成了直接返回成品 WAV，如果你不改代码去包第二层头，要么生成出坏文件，要么下游播放器认不出。这是官方迁移指南里第五条、也是最容易被忽略的一条破坏性变更。
『把语音当剧本写』：这是这次发布真正的新东西
过去几年所有 TTS 产品竞争的都是同一个维度：音色数量、语种覆盖、自然度评分。Gemini 3.8 的切入点不一样——它把输入文本严格当成逐字转录稿（verbatim transcript），不再允许你在文本里写『用欢快的语气说』这种指令。原因很直接：如果文本被当成脚本处理，模型就会把『用欢快的语气说：你好』这句话整句读出来，包括那个语气提示。
所以新的架构是三层分离：
- 逐字转录稿：只放真正要说的话，一个字都不多余。
- speech_metadata 元数据：持续性的导演指令（style）和说话人标签（speaker）放在这里。Interactions API 用带 type 为 speech_metadata 的 annotation，GenerateContent API 直接在 part 上挂 speech_metadata 对象。
- 尖括号内联标签：只用于瞬时的人声事件——
<laugh>、<sigh>、<cough>、<breath>、<short pause>。注意：耳语这类『持续状态』必须进 speech_metadata.style，不能放这里。
多说话人场景下还有更硬的约束：每一轮都必须显式指定 speaker，且必须匹配已配置的说话人之一。官方定位里明确说支持双角色场景调度（two-speaker scene staging），带自然的对话轮次交替。但官方另一份指南的措辞是『multi-speaker』，实测社区里有反馈多角色上限是 2 个——如果你的场景是需要 5 个角色同时对话的有声书，这个差距得自己在 AI Studio 里跑一遍确认。
# Interactions API 形式：导演指令与转录稿分离
curl "https://generativelanguage.googleapis.com/v1beta/interactions" \
-H "x-goog-api-key: $GEMINI_API_KEY" \
-H "Content-Type: application/json" -X POST -d '{
"model": "gemini-3.8-flash-tts",
"input": [{"type": "user_input", "content": [{
"type": "text",
"text": "你好，这里有一段用复刻声音合成的音频。\u003cshort pause\u003e其实是我本人录的。",
"annotations": [{"type": "speech_metadata",
"speaker": "Narrator",
"style": "warm and conversational"}]
}]}],
"response_format": {"type": "audio"},
"generation_config": {"speech_config": [{"voice": "voice_YOUR_REPLICATED_VOICE_ID"}]}
}'Google 在 Hume AI 的 Voice Design Benchmark 上拿了 71.4 分、排名第一；Artificial Analysis 的 Provider Voice Arena 盲投票里，Gemini 3.8 Flash TTS 排第 2（Elo 1260，1999 个样本），紧跟在 Cartesia Sonic 3.6（Elo 1273，1757 个样本）后面。13 分的 Elo 差距在两者公布的置信区间内，也就是说排行榜自己都无法判定谁更好——但这个定位值得注意：Google 不是在跟通用 LLM 比智能，是在一个专门比『音色设计』的榜上追第一。
30 秒克隆：技术门槛很低，但门槛是合规门槛
Voice replication 走 POST /v1beta/voices 端点。官方文档写明：每次复刻请求需要两段真人录音，必须来自同一位成年说话人（推荐 24kHz 单声道 16-bit WAV）：
- Reference audio（source_audio）：10–30 秒的干净自然语音，就是你要复刻的那个声音。
- Consent audio（consent_audio）：同一位说话人用受支持的语言逐字念出强制授权声明，英文原文是『I am the owner of this voice and I consent to Google using this voice to create a synthetic voice model.』
注意这里的工程细节：官方最佳实践要求 source_audio 和 consent_audio 用同一支麦克风、在同一声学环境下录制，否则说话人验证会失败。也就是说『从网上扒一段某人说话的 30 秒去克隆』这条路，在系统设计层面就是断的——不是靠一句『你要有权利』的条款约束，而是靠一个需要双段同源录音的技术关卡挡着。这在产品设计上是比单纯写条款硬得多的做法。
授权声明支持的语言包括英语（美/英/澳）、法语（法国/加拿大）、德语、古吉拉特语、印地语、印尼语、意大利语、日语、卡纳达语、韩语、马拉雅拉姆语、波兰语、越南语等。另外有一条来自第三方的观察值得记录：Progressive Robot 报道说，英国用户区域的 Voice replication 功能目前是关闭状态。这一点我没能在 Google 官方文档里直接确认到，属于第三方来源，如果你的部署涉及欧盟合规，建议在 AI Studio 里直接实测你的账户区域。
两种存储模式，决定了你的数据主权模型
| 维度 | Stateful 持久音色（store=True） | Stateless 无状态密钥（store=False） |
|---|---|---|
| 标识符 | voice_… | voicekey_… |
| 每项目上限 | 200 个（与 voice design 音色共用） | 客户端自管，无上限 |
| 保留期 | 1 年 | 7 天 |
| 适合场景 | 长期角色、产品内固定音色 | 临时任务、零留存合规要求 |
stateless 模式的 voicekey_… 是加密自包含的，由你自己的应用持有。7 天的保留期意味着它更像一张『一次性音色票』——适合处理完就丢的场景。而 stateful 的 200 个/项目上限和 1 年 TTL 意味着它是要长期管理的资产，官方提供了 list / get / delete 的完整管理接口。如果你的合规要求是『不得在任何第三方侧持久化用户声音数据』，stateless 是唯一能落地的选择——但它同时把 7 天内的所有合成调用都绑在这个密钥上。
定价：真正需要看的不是价格表，是价格表里那两列
这是整篇文章的核心。官方定价页把两组数字放在同一张表里：
| 项目 | 促销价（截至 2026-12-31） | 2027-01-01 起 |
|---|---|---|
| Gemini 3.8 Flash TTS 文本输入 | $0.50 / 百万 token | $1.00 |
| Gemini 3.8 Flash TTS 音频输出 | $9.00 / 百万 token | $18.00 |
| Gemini 3.8 Flash-Lite TTS 音频输出 | $6.00 / 百万 token | $12.00 |
| Batch / Flex（半价） | $4.50 / $3.00 | 同比例 |
| Priority | $16.20 / $10.80 | 同比例 |
| 被替代的 3.1 Flash TTS preview | $20.00（无涨价记录） | — |
| 免费档 | 有 | 有 |
计价单位是 token，而 Google 公布了一个换算率：1 秒音频 = 25 token，也就是一小时音频 = 90,000 token。这个换算让算术变得极其干净，也是应该写进预算表的数字（而不是每百万 token 的报价）：
- 促销期：Flash TTS 约 $0.81 / 小时音频，Flash-Lite 约 $0.54 / 小时。
- 2027 年起：Flash TTS 约 $1.62 / 小时，Flash-Lite 约 $1.08 / 小时。
- Batch/Flex：直接减半，约 $0.41 和 $0.27（促销期）。
第三个值得算的数：相对被它替代的 gemini-3.1-flash-tts-preview（$20/百万音频 token），Flash TTS 的音频输出线降了 55%，Flash-Lite 降了 70%。这是一次真实的降价。但 2027 年 1 月的 $18 意味着它会回到只比老 preview 便宜 10% 的位置——换句话说，现在看到的巨大价差里，有一大部分不是永久降价，而是限时折扣。
独立实测数据点：开发者 Simon Willison 用 BYO-key 的浏览器工具实测，生成 1 分 18 秒音频（78 秒）用 Gemini 3.8 Flash TTS 花了约 20 秒，成本 2.74 美分。按 $9/百万的促销价折算，这个数字对得上。但他明确标注这是单一来源、Google 官方文档未引用此数据。生成速度大约 3.9 倍实时——对批处理友好，对『打电话时实时听到回复』的场景仍然不够。
该不该现在上？按这三条判断
现在就该上的：有声书、播客、营销旁白、客服朗读这类可以异步跑的批处理。选 Flash-Lite + Batch，$3.00/百万（促销期），每小时音频约 $0.27。就算 1 月翻倍到 $0.54/小时，依然是极低的边际成本，而且业务本身有缓冲期可以迁移或调价。
现在就可以，但必须按 $18 建模的：实时语音代理、客服机器人这类按分钟计费的 SaaS。你的毛利结构会在 1 月 1 日当天被改。正确的做法是现在就用促销价跑通技术和集成，但财务模型直接按翻倍价做——因为 Google 把两组数字放在同一张表里，这不是一个『可能会涨』的推测，是一个今天就已经写在卡上的日期。
现在不该上的：任何依赖用户克隆本人声音做长期资产的产品。三重风险叠加：200 音色/项目上限、1 年 TTL、stateful 音色存的是声音生物特征数据。加上欧盟区域的复刻功能状态不明，这块产品目前不具备可交付的合规闭环。
我没法替你确认的三件事
- 多说话人上限：官方文档写 multi-speaker 并演示了双角色，但第三方报道说上限是 2。多角色有声书必须自测。
- 英国及欧盟区域的 Voice replication 是否关闭：第三方来源，官方文档未直接说明。
- 独立音质基准：Artificial Analysis 的 Elo 与 Cartesia Sonic 3.6 差距在置信区间内，Hume Voice Design 71.4 是第一，但这是厂商相关的榜单。你的目标语种上的真实表现要用自己的脚本测。
总结：技术是真东西，价格不是
Gemini 3.8 Flash TTS 做对了一件行业里做了很久的错事——它把 TTS 从『选一个音色』变成了『写一个角色』。逐字转录稿与导演指令的三层分离、speech_metadata 的结构化元数据、可复用的 voice_… ID、30 秒样本加口头授权的双重关卡、SynthID 水印，这套架构是这一代 TTS 该有的样子。
但发布稿的第一段是『我们的音频生成模型有史以来最具表现力』，而定价页第一段是『以下价格适用于 2026 年 12 月 31 日之前』。这两段话不在同一个文档里，但它们描述的是同一个产品。
如果你是做内容的，现在就是成本最低的窗口，选 Flash-Lite + Batch，把管线跑起来。如果你是做产品的，把财务模型直接按 2027 年的价格写，别让三个月的促销价污染你的商业计划。一个只在 $0.81/小时才成立的生意，它的寿命只有三个月。
值得再观察的还有一个『coming soon』：voice remixing（对已有音色库微调音色、音高、语速、口音）。官方没有给日期。如果这个功能落地，Flash TTS 才真正从『生成声音』升级到『编辑声音』——那才是录音棚工作流被取代的开始。现在它还差这最后一步。