google deepmind 于 9 月 23 日宣布推出 gemini 3.8 flash tts 与 flash-lite tts 两款语音合成模型，已在 google ai studio 和 gemini api 同步上线，官方称其为 gemini 家族中表现力最强的音频生成模型。
新模型把语音生成从固定音色库变成可编排的创作工具。在 ai studio 里，用户可以用文本提示从零生成全新音色，也可以复刻自己的声音，再通过双说话人剧本编辑器逐句执导语气与停顿。开发者可通过 gemini api 接入，agora、livekit、pipecat、vercel 等平台同步提供集成。
官方称，flash tts 在 hume ai 的 voice design benchmark 上以 71.4 分位居总榜第一，口音建模单项得分 60.8 同样排名第一；两款模型包揽整体质量指数前两名。在 voice arena 盲测中，两款模型在日语、巴西葡萄牙语、越南语、阿拉伯语、墨西哥西班牙语、印地语等主要语种上位居前列，共支持超过 100 种语言。
安全方面有两项硬性设计：复刻某个声音前，用户必须提交一段与声音主人匹配的口头同意录音；所有生成音频都会嵌入 synthid 不可感知水印，便于后续识别 ai 生成内容。
对做媒体本地化、语音客服和内容创作的团队来说，自定义音色加内置水印的组合降低了合规与侵权风险。据官方介绍，figma、heygen、wondercraft 等公司已在接入这批模型。