Google launches Gemini 3.8 Flash TTS and Flash-Lite TTS with directable scene dialogue
The two TTS models were led by Alan Cowen, formerly of Hume AI. Users can generate custom character voices from natural-language descriptions and publish or overlay scene-level delivery control. The models ship today in Gemini API and AI Studio with enterprise APIs; pricing starts at $0.54/hour.
Google DeepMind 当地时间 9 月 23 日发布两款文本转语音模型——Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS。公司将这两款模型定位为「迄今最具表现力的音频生成模型」，主打从「选声音」到「设计声音」的转变：用户可以通过自然语言描述角色年龄、口音、情绪等接口描述生成对应音色，并对单行对白进行节奏、情感与角色切换的逐行控制。
旗舰版 Gemini 3.8 Flash TTS 主打游戏、沉浸式有声书、播客等深度创意与角色设计场景；轻量版 Gemini 3.8 Flash-Lite TTS 主打长视频配音、客服语音智能体等高并发批量场景。两款模型已在 Gemini API 与 Google AI Studio 中上线，并接入 Gemini Notebook 与 Google Vids，企业级 API 同步开启。
两款模型的核心研发由前 Hume AI 创始人、现任 Google DeepMind 研究科学总监 Alan Cowen 与产品经理 Leland Rechis 共同负责。Google 将该工作定义为推动语音生成从静态预设音色向具备深度控制能力的声音设计演进，与 ElevenLabs 等专业语音公司争夺应用场景。
在 ElevenLabs 等持续扩张商用市场的背景下，Google 此次发布提升了语音模型的控制能力，并借助 API 与搜索、地图、Vids 等既有产品生态，将语音生成能力推向更多应用场景。