Gemini 3.8 Flash TTS Text to Speech API

google/gemini-3.8-flash/text-to-speech

Gemini 3.8 Flash TTS Text to Speech 将文稿和双人对话转为 WAV 语音,覆盖130种语言并提供30种预设音色。整段请求和每句台词都可设置风格指令,让演绎遵循你的指导,同时按原文朗读文稿。

输入

266 计费字符

示例

中文博物馆导览

中文博物馆导览 — 中文导览词,语言根据文本自动识别。

Gemini 3.8 Flash TTS Text to Speech

Gemini 3.8 Flash TTS Text to Speech 是 Google 于2026年9月推出的模型,Google 将其定位为旗舰创意语音档位,侧重音色保真、表演细节和方言覆盖。它能在130种语言中自动识别文稿语言,用30种预设音色之一朗读,或逐句演绎双人对话。风格指令负责语气、语速和场景,适合有声书、播客和视频旁白。

为什么选择 Gemini 3.8 Flash TTS?

  • 一次请求生成两种声音提交两位说话人和台词列表,即可把播客片段或访谈生成为一个音频文件。

  • 演绎指令与文稿分开全局和逐句的风格指令负责语气与语速,文稿本身按原文朗读。

  • 自动识别130种语言用目标语言书写文稿即可,无需填写语言代码。

  • 30种预设音色可为旁白和角色选择 Kore、Puck、Charon 或 Aoede 等音色。

语音参数

参数要求作用与用法
text单人模式必填

单人模式:要朗读的文稿。请按实际要听到的内容书写,演绎指令放在 Style Instructions 中。

voice可选

单人模式:30种预设音色之一,默认 Kore。

默认值KoreAchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
speakers对话模式必填

对话模式:恰好两位说话人,每位需要唯一的 speaker_id 和30种预设音色之一。

speakers[].speaker_id每项必填

说话人唯一且非空的名称,例如 Host。

speakers[].voice每项必填

该说话人的预设音色。

AchernarAchirdAlgenibAlgiebaAlnilamAoedeAutonoeCallirrhoeCharonDespinaEnceladusErinomeFenrirGacruxIapetusKoreLaomedeiaLedaOrusPulcherrimaPuckRasalgethiSadachbiaSadaltagerSchedarSulafatUmbrielVindemiatrixZephyrZubenelgenubi
turns对话模式必填

对话模式:按顺序排列的台词。每条需指定 Speakers 中的 speaker_id 和 text,并可为该句单独填写 style_instructions。

turns[].speaker_id每项必填

说出该句台词的说话人 speaker_id。

turns[].text每项必填

该句台词内容,不能为空。

turns[].style_instructions可选

仅作用于该句的可选指令。

style_instructions可选

可选,整段请求的演绎指令,例如语气、语速或场景。其字符计入费用。

enable_safety_checker可选

对请求启用上游安全检查,默认 true。

默认值truefalse

四步生成语音

  1. 选择请求形式单人朗读选择 Single speaker,双人对话选择 Dialogue 并填写说话人和台词。

  2. 填写文稿或台词按实际要听到的内容填写文稿;对话模式下为每条台词指定说话人。

  3. 添加风格指令为整段请求描述语气、语速或场景,必要时为个别台词单独添加简短指令。

  4. 运行并下载 WAV在 Run 按钮上确认费用后点击 Run,任务完成后下载 WAV 文件。

按字符计费

Gemini 3.8 Flash TTS Text to Speech 每1,000个计费字符收费 $0.045,即9 credits。计费字符包括 Text 与 Style Instructions,对话模式下还包括每条台词的 text 和 style_instructions;speaker_id 不计入。

文本长度费用计算方式
500字符$0.0225 · 4.5 credits500 × 9 / 1000 = 4.5 credits
1,000字符$0.045 · 9 credits1000 × 9 / 1000 = 9 credits
10,000字符$0.45 · 90 credits10000 × 9 / 1000 = 90 credits

适用场景

  • 双主播播客片段编写两位主播的对话,并生成为一个 WAV 文件。

  • 有声书旁白用单一旁白音色配合沉稳的风格指令,朗读章节开篇和长段落。

  • 多语言课程配音用130种语言中的任意一种讲解课程,语言由文本自动识别。

  • 有导演意图的产品视频在风格指令中描述一次情绪,并在各场景中保持一致。

使用技巧

  • 演绎指令请放在 Style Instructions 中;Google 说明 Gemini 3.8 TTS 会按字面朗读文稿。
  • 为对话说话人设置简短且不同的 ID,例如 Host 和 Guest,并让每条台词对应其中一位。
  • 只有当某句需要与全局指令不同的情绪时,才为该句单独添加风格指令。
  • 为两位说话人选择差异明显的音色,例如 Kore 搭配 Puck,便于听众分辨。
  • 大批量任务可只修改 model,把文稿切换到 Gemini 3.8 Flash Lite TTS。

发布前须知

  • 音频以 WAV 文件返回;如播放器需要 MP3 或 Opus,请在音频工具中转换。
  • Google 为该模型设定了8,192 token 的输入上限,特别长的文稿请拆分为多个请求。

Gemini 3.8 Flash TTS Text to Speech API 常见问题

Gemini 3.8 Flash TTS Text to Speech API 是什么?

Gemini 3.8 Flash TTS Text to Speech 是 Google 用于从文本生成自然语音的模型。它能以130种语言生成单人旁白或双人对话,提供30种预设音色,并用风格指令控制语气和语速。Google 将 3.8 Flash 档位定位于音色保真和表演细节,模型在遵循你的指导的同时按原文朗读文稿。你可以通过 API 进行程序化调用,也可以在上方体验区直接在线试用。

Gemini 3.8 Flash TTS 如何生成双人对话?

选择 Dialogue,提交恰好两位 speakers(各含 speaker_id 和预设音色)以及 turns 列表。每条台词指定一个 speaker_id、text,并可选填 style_instructions。此形式下不提交顶层 text 和 voice。

Gemini 3.8 Flash TTS 的演绎指令应写在哪里?

写在 style_instructions 中,可作用于整段请求或单条台词。Google 说明 Gemini 3.8 TTS 会按字面朗读文稿,写在文本里的指令可能会被读出来。

Gemini 3.8 Flash TTS 提供哪些音色?

共有30种预设:Achernar、Achird、Algenib、Algieba、Alnilam、Aoede、Autonoe、Callirrhoe、Charon、Despina、Enceladus、Erinome、Fenrir、Gacrux、Iapetus、Kore、Laomedeia、Leda、Orus、Pulcherrima、Puck、Rasalgethi、Sadachbia、Sadaltager、Schedar、Sulafat、Umbriel、Vindemiatrix、Zephyr、Zubenelgenubi。单人模式默认 Kore。

Gemini 3.8 Flash TTS 如何处理语言?

Gemini 3.8 Flash TTS 会在130种语言中根据文稿自动识别语言。请用目标语言书写文稿,无需单独设置语言。

Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash Lite TTS 该选哪个?

更看重演绎细节、方言和复杂对话时选择 Gemini 3.8 Flash TTS,Google 将其定位为旗舰创意档位,覆盖130种语言。Gemini 3.8 Flash Lite TTS 覆盖101种语言,每千字符6 credits,适合大批量任务。两者字段相同。

Gemini 3.8 Flash TTS 返回什么音频格式?

每个完成的任务会在 files 中返回一个 WAV 文件。如播放器或平台需要压缩格式,请在音频工具中转换为 MP3 或 Opus。

Gemini 3.8 Flash TTS 如何统计计费字符?

计费包括 Text、Style Instructions,以及对话中每条台词的 text 和 style_instructions,每1,000字符9 credits($0.045)。speaker_id 不计入。