Google 新 Flash TTS 模型支持用文字描述设计 AI 音色

Google 推出两款新文本转语音模型 Gemini 3.8 Flash TTS 和 Flash-Lite TTS，支持超过 100 种语言。Flash TTS 可根据文字描述从零创建新音色，两款模型都支持为单行台词添加舞台指示，并能用一份脚本生成双人对话。此外还有一项声音克隆功能，可用 30 秒样本构建声音档案。

此前文本转语音多为选择既有音色并朗读文本，这次把音色创建本身变成可由文字描述驱动的环节，并允许在脚本层面加入舞台指示与双人对话，语音生成的可控维度从“读什么”扩展到“怎么演”和“用谁的声音”。

从证据看，模型把音色属性、台词语气与角色分工都编码进文本输入，使单一脚本可同时承载内容、表演指令与声音身份；声音克隆则以 30 秒样本建立声音档案，降低个性化音色的数据门槛，多语言支持则扩大了同一套流程的适用范围。

产品或内容团队可以在不录制真人、不逐条配音的情况下批量生成多语言、多角色音频，脚本可直接携带语气与舞台指示，减少后期调整环节；30 秒样本克隆也让已有声音资产的复用更轻量，但需关注声音档案的管理与授权流程。

• 为有声内容或课程产品接入 Flash TTS，用单份脚本生成双人对话与多语言版本，减少配音与剪辑人力。
• 围绕 30 秒声音克隆建立品牌音色库，把统一音色复用到广告、客服提示音和 App 语音中。
• 在剧本或文案工具中增加舞台指示字段，让创作者在同一界面完成台词与语气标注后直接输出音频。
• 为多语言产品做语音本地化测试，用 100 多种语言支持验证不同市场的听感与内容适配。

• Flash TTS 与 Flash-Lite TTS 在音质、延迟和定价上的具体差异是什么？
• 声音克隆功能是否有使用授权、地域或合规限制？
• 舞台指示与双人对话生成的实际可控精度和失败率如何？
• 两款模型的可用地区、API 开放时间和接入方式尚未在证据中说明。