Gemini 3.8配音更新:把产品说明做成双人讲解

你的小团队可能有这样的材料：一页功能说明、一组客户常问问题、几段新手操作步骤。它们写得完整，用户却不愿逐段读；改成视频，又要处理配音、语气和反复录制。

9 月 23 日，Google 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS，把逐行表演控制、声音设计和双人对话作为重点。[1] 对开发者和产品经理，值得尝试的用法是：先把一段已经核实的说明，做成两个人一问一答的短音频，再决定是否接进产品。

最值得先改的，是脚本与生成流程。下面给出一套可复制的试做方案。本文依据官方发布、开发文档与价格页整理，未对音质、延迟或中文发音做亲测。

图：Google 官方发布素材。[1]

两个型号，先按工作内容选

Google 将 Flash TTS 定位于更细腻的表演、角色设计和长篇音频；Flash-Lite TTS 面向高吞吐、日常朗读和规模化配音。官方开发文档称两者使用相同的 API 结构与提示格式，可以通过模型参数切换。[1][2]

因此，做普通产品引导、FAQ 朗读，可以先以 Lite 建立基线；做角色对白、情绪变化明显的内容，再用 Flash 对比同一段台词。这里是选型建议，并不意味着 Lite 的中文效果已经经过本号验证。

还要区分 TTS 和实时语音系统。TTS 是把指定文本生成音频；接听用户、识别语音、理解问题、调用业务工具，再回答，是另一条完整链路。官方文档也将 TTS 与交互式 Live API 分开。[2] 仅接入配音接口，不等于客服已经能自主处理问题。

先把产品介绍拆成六句对话

第一轮不要生成整段课程或一小时播客。先用六到十句台词，覆盖一个具体问题，比如“新用户如何完成第一次导出”。下面是虚构产品的脚本骨架，方括号内容必须替换为你自己产品中已核实的事实：

A：我第一次使用［产品名］，应该从哪里开始？

B：先打开［真实入口］，准备好［必要材料］。

A：我完成［第一步］以后，就能直接导出吗？

B：还要检查［关键字段］。如果看到［实际错误提示］，先处理［对应问题］。

A：这一步是否需要付费？

B：［准确说明套餐、费用或使用限制］。确认后，点击［真实按钮］即可。

让 A 代表第一次使用的人，B 负责解释。每句只承担一个信息点，尤其把金额、限制、错误处理分开。对话稿的价值在于替读者问出遗漏的问题；如果只是两个人轮流念宣传文案，听起来仍然像广告。

可以先把以下提示词交给文本模型，生成待审脚本：

请只依据我提供的产品资料，写一段六到十句的双人问答。A 是首次使用者，B 是产品讲解员。每句只表达一个信息点。保留费用、适用条件和限制；资料未说明的事项写成“待核实”，不要补造功能或承诺。输出“角色、台词、语气”三列，不添加宣传口号。资料如下：［粘贴已核实材料］。

审完以后再送入 TTS。文本模型负责整理脚本，TTS 负责演绎定稿。不要让配音环节顺便替你改产品事实。

接口接入：台词和导演说明分开放

这次最容易导致“怎么连提示词都念出来了”的地方，是文本字段的含义变化。3.8 文档明确把 text 视为逐字朗读的内容，持续语气放到 speech_metadata.style，说话人放到 speech_metadata.speaker。[2]

例如一轮台词的结构，可以按下面的字段关系组织。这是字段示例，不是完整请求：

type：text

text：第一次使用时，请先检查项目名称。

annotations：包含一个 type 为 speech_metadata 的对象

speaker：Guide

style：calm, clear, moderately paced

其中 speaker 和 style 都属于 speech_metadata 对象。给双人对话的每一轮明确填 speaker，并与声音配置里的角色名一致。不要把“请用平静语气朗读”写进 text 后期待模型自动忽略。

按官方示例，模型 ID 为 gemini-3.8-flash-tts 或 gemini-3.8-flash-lite-tts；双人请求在 generation_config.speech_config 中配置 speakers，并可使用 conversational 模式安排对话节奏。[2]

有三个限制值得在开发任务里单列：

第一，单次请求最多两位说话人，且文档限定使用预置声音。自定义设计或复制的声音用于多角色对话时，需要分别合成各角色轮次，再按文档拼接音频，不能默认直接塞进同一个双人请求。

第二，普通非流式请求默认返回 WAV。旧流程如果把返回数据当作无文件头的 PCM，再手动加一次 WAV 文件头，就需要调整；应依据返回格式保存，不能照搬旧版音频封装代码。

第三，暂停与持续语气不同。例如 <short pause> 是台词中的瞬时暂停标签；贯穿整句的语速或情绪，应写进 style。第一版产品说明没必要堆叠笑声和喘息标签，把清楚、稳定、信息完整放在前面。

以上是文档级接入核对，完整请求与所用 SDK 版本仍应以官方示例为准。官方页面仍有部分 Go 示例引用旧预览模型，复制代码前要检查模型名与输出格式，不要把整页示例当成完全一致的新版本代码。

费用可以先估，但别漏掉重做

截至 9 月 24 日读取的价格页，常规付费档、每百万 token 的价格为：[3]

Flash TTS：文本输入 0.50 美元，音频输出 9 美元。

Flash-Lite TTS：文本输入 0.50 美元，音频输出 6 美元。

上述价格标注有效至 2026 年 12 月 31 日；页面列出的 2027 年 1 月 1 日起价格分别变为输入 1 美元、Flash 音频输出 18 美元、Lite 音频输出 12 美元。长期预算不要只用当前价格。

官方按每秒音频 25 个 token 换算。假设最终生成 10 分钟音频，就是 15,000 个音频 token：当前 Flash 的纯音频输出费约 0.135 美元，Lite 约 0.09 美元。

这是单次输出部分的算术估算，不是成品报价。文本输入、失败与重生成、脚本处理、剪辑及人工检查都没有包含。即使接口费用很低，反复修改事实和口播节奏，仍可能成为主要工作量。

价格页另有免费档，并注明免费档数据可用于改进产品。尝试时先用公开说明或脱敏脚本，账户可用性、配额与适用条款另行核对；不要把“免费档存在”理解为任何账号都可以无限生成。

听完后，用这张清单决定是否上线

拿同一份已定稿脚本，分别生成候选版本，记录模型、声音、style、时间、重做次数和费用。听评时先不告诉同事哪个版本用了更贵的型号，让他们按同一规则判断：

□ 产品名、金额、日期和操作按钮是否读对？

□ 是否漏读限制条件，或增加脚本没有的承诺？

□ 两个角色是否能分清，是否出现串音色或换角色？

□ 导演说明是否被念出，停顿是否打断语义？

□ 音量、段落衔接、开头结尾是否正常？

□ 只听音频的新用户，能否说出下一步该做什么？

保存原始返回音频与完整脚本、配置；裁剪或降噪后的公开版本另存，别覆盖原件。这样出现误读时，才能判断问题来自脚本、生成还是后期处理。

如果要复制真人声音，Google 要求权利及匹配的口头同意验证，并列出了 AI Studio 声音复制的地区限制。官方还说明生成音频带有 SynthID 水印。[1] 普通产品介绍可以先用预置声音，减少管理声音授权的额外工作。品牌声音微调的 voice remixing 在发布稿里仍是“即将推出”，不能当作已经可用。

对小团队而言，今天可以交付的不是一套庞大的音频平台，而是一段事实准确、能帮助新用户完成操作的双人讲解。先验证这段音频确实减少理解障碍，再把同样的脚本规范和验收方法扩展到更多功能。

资料来源

[1] Google，Gemini 3.8 text-to-speech says hello，2026-09-23。产品定位与能力来自厂商发布，非本号音质实测。
https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-text-to-speech/

[2] Google AI for Developers，Text-to-speech generation，2026-09-24读取，页面标注2026-09-23更新。
https://ai.google.dev/gemini-api/docs/speech-generation

[3] Google AI for Developers，Gemini Developer API pricing，2026-09-24读取。采用两款TTS的Standard付费档，非其他Gemini模型价格。
https://ai.google.dev/gemini-api/docs/pricing