谷歌推TTS新模型：自然语言捏声音
推荐指数 57.0 NO. 017 · 2026.09.24
发布2026/09/23Score194Comments101
为什么值得看
Gemini 3.8 Flash TTS 和 Flash-Lite TTS 支持用自然语言提示从零创建角色声音，可逐行控制表演细节如节奏、方言、语气词。对游戏配音、互动叙事、播客制作等场景，这意味着大幅降低专业语音合成的门槛和成本。
编辑判断
ElevenLabs 目前占据角色语音合成的心智，但按字符计费的模式对长内容成本很高。谷歌这次把 TTS 塞进 Gemini 统一模型家族，暗示语音可能很快成为多模态模型的原生能力而非独立 API。
游戏和互动叙事团队现在有两个选择：继续付 ElevenLabs 的溢价换成熟度，或赌谷歌的管线整合能省下工程对接成本。Flash-Lite 的定位如果是走量低价，播客、有声书这类长音频场景会最先迁移。
值得观察的是 HN 讨论里有没有提到延迟数据——实时交互场景（如 AI 伴侣、游戏 NPC）对首包延迟极其敏感，这通常是实验室 demo 和量产体验的分水岭。
社区反馈
意见分歧 91 条评论
核心争论：TTS技术已普及开源，谷歌入场价值存疑；控制精度与真实可用性差距仍大
Here's a video of my Emotive Audiobook Creator, KeenLore, a locally hosted web app: https://www.youtube.com/watch?v=WAeHgE94rVo No cloud, no tokens to pay. Reads a book using a full cast of characters. Quotation attribution detection (for my novel) is at 97.2% accuracy (485/499 q
<grumble grumble people putting in links they expect you to follow to arbitrary goatse youtube videos for all I know> The title of the video is 'KeenLore - Emotive Audiobook Creator Demo' and it appears to be a web UI and some local stack that reads text files.
Their first sentence literally tells you it's a video of their app? It's not a mystery-meat link.