AI大模型热点|Gemini 3.8推出两款TTS模型,NVIDIA开源说话人分离模型

◆Google开放Gemini 3.8 Flash TTS与Flash-Lite TTS

Google DeepMind提供两款Gemini 3.8文本转语音模型：Flash TTS面向语音设计和双人对话生成，Flash-Lite TTS面向视频配音、播客等日常生成任务。官方页面称，两者支持通过自然语言控制口音、音色、语速和表达方式，并可在Google AI Studio试用。

DeepMind模型卡列出文本输入上限为8K Token、音频输出最高64K Token，并将两款模型列在Gemini API和AI Studio的可用渠道。不同渠道的开放节奏、配额和价格可能不同；面向实际业务时，还需要检查声音授权、长文本稳定性、中文发音、角色一致性和生成时延。

◆NVIDIA开源Nemotron 3 Diarization说话人分离模型

NVIDIA发布Nemotron 3 Diarization开放权重模型，定位是识别录音或实时音频中“谁在什么时候说话”。NVIDIA在Hugging Face技术文章中称，该模型有1亿参数，支持最多8位说话人，并在Voice Arena的Diarization-Bench取得14.72%的说话人错误率（DER）。这属于厂商报告的基准成绩，部署前应使用自己的会议、电话或访谈录音复测。

说话人分离与语音识别是两个环节：前者给语音片段分配说话人标签，后者负责识别文字。把两者接在一起可生成带说话人标记的转写，但重叠讲话、远场收音、口音和频繁插话都可能导致错标。模型的开放权重降低了接入门槛，可靠性仍要按具体语言和录音条件评估。

◆参考来源

• Gemini Audio模型页｜Google DeepMind
• Gemini 3.8 Audio模型卡｜Google DeepMind
• Know Who Spoke When: Build Real-Time, Multi-Speaker AI｜NVIDIA / Hugging Face
• Nemotron-3-Diarization模型｜Hugging Face