谷歌正式推出 3.8 Flash Text-To- ( TTS ) 和 Flash-Lite TTS 模型，旨在突破 AI 语音合成的表现力瓶颈。相较于传统朗读，新模型能更精准地演绎口音、节奏、情感停顿乃至叹息等细微特征，赋予 AI 音频更强的 " 表演 " 能力。

精细化控制与声音复刻

此次更新的核心在于用户对生成内容的控制权大幅提升。 3.8 Flash TTS 支持通过自然语言描述创建原创声音，覆盖超过 100 种语言和方言，并提供 2,000 多种现成的生产级声音选项。

备受关注的声音复刻功能允许用户在获得授权的前提下，仅需提供 30 秒音频样本即可重现一致的声音形象。模型能够逐行执行关于语调、语速、方言切换、耳语、笑声及对话提示的指令，甚至能从单一脚本中编排双人对白，确保数小时音频中的声音一致性。这将显著改善播客、有声书、配音及语音代理等场景的听感，减少机械生硬感。

基准测试与竞品对比

基准测试数据显示， 3.8 Flash TTS 在 Hume AI 的 Voice 中总体排名第一，口音得分高达 60.8 分；Flash 和 Flash-Lite 模型则在 Hume 整体质量指数中包揽前两名。在 Voice Arena 的多语言测试中，二者表现也位居前列。不过，竞争对手 在单项声音质量和拟人化变化类别中仍保持较高分数。

落地应用与安全合规

目前，Flash TTS 已在 中上线，Flash-Lite TTS 则集成至刚刚开放最新 Omni 视频生成器的 Vids 中。开发者可通过 AI 和 API 访问这两款模型。

在安全方面，谷歌设置了严格护栏：系统强制验证同意权限，添加 水印和 C2PA 凭证。此外，在英国、欧洲经济区（EEA）、印度、德克萨斯州和伊利诺伊州等地区，AI 中禁止使用声音复刻功能。

【星途科讯 图文丨略略 首发于 ZAKER 科技，转载请注明出处】