让 AI 念稿不难，难的是让它像导演手里的演员：一句压低声音，下一句换口音，笑声和停顿也卡在合适位置。Google 为 Gemini 家族新增两款文本转语音（TTS，即把文字变成人声）模型，把此前侧重实时理解、工具调用和边说边推理的交互链路，延伸到了声音生成端。
Gemini 3.8 Flash TTS偏向创作和角色设计。用户可以直接用自然语言描述角色、口音和声音特征，覆盖100多种语言及方言；也能逐句指定语气、节奏和表演提示。它还支持从一段30秒、经授权的音频复制稳定声线，并配有同意验证、SynthID水印和C2PA凭证。Google称，该模型在Hume AI的Voice Design Benchmark中以71.4分位列综合第一，口音建模得分为60.8；这些成绩目前来自Google自述。
另一款Gemini 3.8 Flash-Lite TTS更看重低成本、大规模生成，面向配音、音频内容和语音代理。两款模型的分工很清楚：前者像可细调的录音棚，后者像批量生产线。值得看的不只是Gemini会“开口”，而是Google正把理解、推理、执行与声音输出接成更完整的实时交互产品栈。