谷歌正在逐步改变其文本转语音功能的定位, 不再让其保持独立存在的状态, 而是要把这项能力纳入到Gemini这个统一的模型体系之中。这一系列操作的核心在于采用一种融合了模型化发展与生态系统整合的手段, 目的是通过这种方式, 对人工智能领域内关于语音技术竞争的界限进行新一轮的定义和重塑。

到了周三。谷歌推出了两款文本转语音模型。这两款模型分别是Gemini 3.8 Flash TTS和Gemini 3.8 Flash-Lite TTS。其中。前者主要侧重于声音设计。它适用于那些创意场景。后者则专门进行了优化。它是为了应对大规模的应用需求。同时也考虑到要降低使用成本。

这次的发布会让语音合成技术, 正式排进了和文本、多模态一样的位置, 成为了Gemini模型里的一个系列。这样一来, “听—想—说”的语音闭环, 就在这个Gemini体系里面, 给弄完整了。

对于投资者来说, 眼下这次更新里面最关键的提示, 并不是说这两款模型在参数方面的表现怎么样, 而是谷歌打算把语音功能非常深入地整合进Gemini这个生态系统里面去, 这一举措背后的战略意图值得注意。

谷歌在上个月公开了相关数据, 显示其人工智能模型Gemini的月活跃用户数量已经超过10亿。在这当中, 有63%的用户会选择直接使用语音的方式去和Gemini进行互动。在这个以语音为基本面的应用场景里, 文本转语音能力的成本控制以及规模化覆盖能力如何, 直接关系到语音入口这一关键点能否持续地扩大。

谷歌周三收跌3.6%。

主力与轻量双线并进，延续"Flash双发"惯例

Gemini 3.8 Flash TTS跟Flash-Lite TTS属于同一个序列, 都叫Gemini 3.8 Flash这个系列的。但是, 它们在定位上面是不太一样的, 就是各有各的分工。

Flash TTS主要是为了面向那些需要创意以及高表现力的场景而设计的, 它支持像有声书、播客、游戏角色和互动媒体这样的应用。用户可以使用自然语言提示词从零开始设计声音, 这里面包括了角色设定、口音以及声音特征等等内容。同时它也支持根据大概30秒的音频样本去复制声音。

这个模型在Hume AI提供的Voice Design Benchmark评比里拿到了71.4分, 这个成绩排在了声音设计综合指标的第一名。

还有那Flash TTS以及Flash-Lite TTS这两样东西, 在Hume AIOverall Quality Index的排名中, 前者排在第一位, 后者紧随其后排在第二位。

Flash-Lite TTS这个技术, 它主要瞄准的是大规模并且低成本地去生成语音, 它的应用场景包含了内容配音、音频制作以及实时语音代理, 它是用来指代那些对响应速度和单位调用成本高度敏感的实时交互场景的。

这种“主力+轻量”的搭配方式, 谷歌其实并不是在第一次用了。在此之前, 谷歌就发过那个Gemini 3.5 Flash-Lite, 然后在七月份又推出了Gemini 3.6 Flash。

现在要是把TTS给弄到同一个命名方式和迭代节奏里面去了, 那就意味着这个语音合成功能和文字模型, 它们是要共享同一个发布管线的, 所以就不会再把那个功能当成孤立的东西去单独维护了。

语音已成Gemini最主流交互方式，TTS补齐出口环节

谷歌这一步是明确地要把TTS这个技术, 整合到Gemini这个体系当中的去, 这么做的背后呢, 是有非常清晰的用户行为数据, 在提供坚实支持的。

Gemini现在已经是谷歌增长速度最快的产品了, 月活跃用户数超过了十个亿。谷歌披露了一个信息, 有百分之六十三的用户选择直接在手机里通过语音和功能进行交互。用纯语音方式使用的用户占比一直是在持续上升的。因此, 语音从原来的一个辅助入口, 逐渐变成了Gemini和用户之间最主要的一种方式去接触对方。

在这个局面出现之后, TTS作为语音交互出口的另外一半东西, 它的价格构成范围和能力大小, 会直接影响到整套交互体验能不能在更大的规模上面一直维持下去。在此以前, 谷歌就已经具备了语音识别和生成的本事, 现在这一下补齐了TTS这块短板, 让语音闭环在Gemini这个体系里面正式变得完整了。

这两款模型在语言覆盖这块, 也是提供了差异化的支持的。Flash TTS这款支持130种语言。Flash-Lite TTS这款支持101种语言。它们都包括了墨西哥西班牙语、魁北克法语和苏格兰英语这些地区性语言变体。谷歌呢, 目前提供的可以直接使用的声音数量超过了2000种。

声音"设计"与"表演"：从固定音色向可定制角色扩展

这一次更新了产品的逻辑, 这个逻辑的含义不是只去提高语音合成变得更加自然, 而是想要把语音生成的这一件事从固定选择一个声音的样子, 扩展成可以定制角色、场景以及多角色相互对话的方式。

这两类模型, 每个模型都支持对每一句台词, 实行单独的控制。用户能够借助脚本中的指令, 来调整语气。还可以调整节奏。也可以调整情绪。此外, 停顿的情况, 也能够进行调整。

该模型还具备支持两个人进行对话的功能, 并且在同一个脚本里面能够保持不同角色说话时声音彼此区分开, 此外它还可以生成像笑声啦叹气声啦这些不属于语言的声音内容, 以及对话过程中出现的带有语气的回应, 这样做是为了使得最终生成的语音听起来更加贴近真实情况下的那种交流感觉。

关于声音复制这一功能，谷歌方面作出说明, 指出在进行声音复制操作的过程中, 必须征得声音所有者的同意, 同时还需要通过相应的验证机制, 并且最终生成的音频文件里会嵌入一种不可察觉的SynthID水印, 其目的是为了便于识别那些由人工智能技术所生成的语音内容。

竞争焦点转向成本与生态，而非单一语音质量

在AI语音这一领域, OpenAI还有亚马逊等公司早就已经安排好了语音合成的解决计划。

谷歌这次不一样的地方是, 它把文字转语音的这项能力放进了Gemini这个整体的品牌里面去, 让它能够和文本理解、逻辑推理、多模态这些能力放在同一个生态环境里协同工作, 而不是像以前那样只是作为一个单独的API产品拿出来给使用者用。

这个决定, 它把竞争的方面, 从只对着语音合成这一个产品本身的质量比来比去这一点上头拉开了, 推到了更综合的一个层面上头去。那么现在是谁? 谁能够在这个完整的、从头到尾的语音交互的整个过程链路上面, 能够做到成本更低一些, 并且提供出来一个能够在实时里头就能够使用的这样子的一个体验情况出来。

轻量版的Flash-Lite TTS已经发布了。这说明谷歌可以以能够控制的成本, 把实时语音的功能放到车载系统里去。这种功能也可以放到物联网设备上面。之前那些参数特别大的模型很难覆盖这些终端场景。

眼下, 这两套模型都已经借着Gemini API还有Google AI Studio这两个路子, 放到了开发者们的手边。另外, Flash TTS这个玩意儿还能用在Gemini Notebook里头去。

还有那个叫Flash-Lite TTS的东西也已经跟Google Vids挂上了钩。至于说那个面向企业用的Gemini Enterprise API会啥时候支持, 那估计得等到以后才会拿出来让大家用。