觀點 · 資訊分享
Google 推出 Gemini 3.8 TTS：30 秒錄音就能複製聲音，一小時旁白不到 1 美元
Google 發表兩款新的文字轉語音模型 Gemini 3.8 Flash TTS 與 Flash-Lite TTS，可以用文字設計聲音、用 30 秒錄音複製聲音（需同意驗證），今年底前輸出音訊每百萬 token 9 美元起。
- 發布
- 2026-09-24
- 篇幅
- 約 4 分鐘 · 1,646 字
- 結構
- 7 節 + 4 題常見問題
- 標籤
一句話看懂：Google 推出兩款新的文字轉語音模型，不只能把文字念出來，還能用文字「設計」想要的聲音，配音成本也壓得很低。
先用白話講：TTS 是什麼？
TTS（Text-to-Speech，文字轉語音）就是把文字變成人聲，像導航的「前方 300 公尺右轉」、捷運廣播，都是 TTS 念出來的。
以前的 TTS 比較像只會照稿念的播報員：聲音就那幾種，語氣也平平的。這次 Google 的新模型更像一位配音演員，你可以告訴它「用開心、熱情的語氣說」，甚至直接描述「想要一個低沉、有點沙啞的大叔聲」，它就幫你生出來。
發生什麼事
Google 在 9 月 23 日發表兩款模型：
- Gemini 3.8 Flash TTS：主打角色設計與演技，適合有聲書、動畫配音
- Gemini 3.8 Flash-Lite TTS：更便宜、更快，適合大量配音和語音客服
官方部落格提到的重點：
- 支援超過 100 種語言與方言
- 聲音複製：用 30 秒的錄音就能重建一個聲音，但必須通過同意驗證；美國伊利諾州、德州、歐洲經濟區、英國、瑞士和印度不開放這個功能
- 在 Hume AI 的聲音設計評測拿到第一，分數 71.4
- 所有產出的音訊都帶 SynthID 浮水印
Flash TTS 開放在 Gemini API、Google AI Studio 和 Gemini Notebook；Flash-Lite TTS 開放在 Gemini API、Google AI Studio 和 Google Vids。
價格怎麼算
Gemini API 價格頁列出的標準費率（每百萬 token、美元）：
| 模型 | 輸入文字 | 輸出音訊 |
|---|---|---|
| Flash TTS | 0.50 | 9.00 |
| Flash-Lite TTS | 0.50 | 6.00 |
這是 2026 年底前的價格，2027 年 1 月 1 日起兩款都翻倍。
音訊每秒算 25 個 token，所以一小時旁白是 9 萬個 token。依上表自行換算，一小時的輸出費用 Flash TTS 約 0.81 美元、Flash-Lite TTS 約 0.54 美元（只算輸出、不含輸入文字，以 2026 年標準費率計）。
給開發者的技術細節
- 模型代號：
gemini-3.8-flash-tts、gemini-3.8-flash-lite-tts - 一次請求最多 2 位講者（使用內建聲音），適合做對話或訪談
- 輸出預設是 24 kHz 單聲道 WAV；串流模式回傳沒有檔頭的 PCM
- 自訂聲音每個專案最多 200 個
官方範例大致長這樣（Python）：
interaction = client.interactions.create(
model="gemini-3.8-flash-tts",
input=[{"type": "user_input", "content": [{"type": "text", "text": "Have a wonderful day!"}]}],
response_format={"type": "audio"},
generation_config={"speech_config": [{"voice": "Kore"}]},
)
我的看法
幫客戶做網站時，常被問能不能加「語音導覽」或「文章朗讀」。以前不是聲音太機器，就是商用授權很貴，最後多半作罷。這次的價格算下來，一篇三分鐘的文章朗讀不到 0.05 美元（自行換算），中小企業的官網也負擔得起。
不過有兩件事要先想清楚。第一，價格明年就翻倍，報價給客戶時要用 2027 年的費率算，不然會虧。第二，聲音複製雖然方便，但用別人的聲音一定要拿到書面同意，就算技術上做得到，也別幫客戶「借用」名人的聲音。
名詞小辭典
- TTS（文字轉語音）：把文字轉成人聲的技術。
- Token：AI 計算用量的單位，這裡的音訊每秒算 25 個 token。
- SynthID：Google 的隱形浮水印技術，用來標記 AI 產生的內容。
- 聲音複製（Voice Replication）：用一小段錄音學出某人的聲音，再拿來念新的文字。