Gemini 3.8 Flash TTS：选型、调用、成本与迁移

Google 在 2026 年 9 月 22 日的 Gemini API 更新日志里把两款文本转语音模型标为正式版：gemini-3.8-flash-tts 与 gemini-3.8-flash-lite-tts，同时上线了声音接口 /v1beta/voices；9 月 23 日官方博客正式发布。两款模型共用完全相同的请求结构，换模型只改一个字符串，所以选型可以先用一条规则回答：还在用 gemini-3.1-flash-tts-preview 的项目直接换成 Flash-Lite TTS，这是官方指定的替代品；需要细腻表演、地区口音、双人插话或长篇朗读不跑调时，再换到 Flash TTS。

价格方面，标准通道的音频输出 Flash TTS 为每百万 token $9.00，Flash-Lite TTS 为 $6.00。按官方脚注"每秒音频对应 25 个 token"换算，一小时音频分别约 $0.81 与 $0.54，这两个数从 2027 年 1 月 1 日起翻倍。免费层可以先试，但速率限制页没有公开 3.8 TTS 的具体限额。下面的代码改写自截至 2026 年 9 月 24 日更新的官方文档，运行前把文稿换成你的内容；延迟与音质请用自己的稿子验证。

先定模型：Flash、Flash-Lite，还是 Live API

两款模型的差别不在接口，而在音质档位和价格。官方模型页的对照如下：

判断时先问三个问题：

1. 文稿是不是逐字念出来就行？ 是，就用 TTS。语音助手的"语音输入、模型思考、语音回复"整条链路里，TTS 只负责最后一环：上一环的文字转写可以交给 Gemini 3.5 Transcribe，中间生成台本可以用 Gemini 3.8 Flash，每收到一轮回复文字就发一次 TTS 请求。如果你要的是用户说话、模型边听边答、可以随时打断的双向实时对话，那是 Live API 的范围，TTS 模型页明确写着"Live API：不支持"，参考 Gemini 3.1 Flash Live API。
2. 有没有表演需求？ 单人播报、客服回复、朗读功能，Flash-Lite TTS 够用，而且是官方推荐的默认选择。要角色扮演、方言口音、双人对话里的插话和抢话、几分钟不跑调的长旁白，选 Flash TTS。Google 引用的 Hume AI 声音设计榜单里 Flash TTS 排第一，Hume AI 整体质量指数里 Flash TTS 第一、Flash-Lite TTS 第二，这些是 Google 自己公布的名次。
3. 还在 2.5 TTS 上吗？ 更新日志 9 月 18 日的说明是，2.5 系列模型只对"过去活跃使用过"的用户开放，新项目请用最新模型。这条说明针对整个 2.5 系列，gemini-2.5-flash-preview-tts 和 gemini-2.5-pro-preview-tts 都在其中，新项目不要再规划在它们上面。

Vertex AI 或 Google Cloud Text-to-Speech 的用户还要再等：截至 2026 年 9 月 30 日，Cloud TTS 的 Gemini-TTS 页面只列到 gemini-3.1-flash-tts-preview 和 2.5 系列，官方博客说企业版接口"即将通过 Gemini Enterprise 提供"。后面的代码、价格与限制都只针对 Gemini API（AI Studio 密钥）这一条路。

第一个请求：单说话人、双说话人与流式

准备工作只有两步：在 Google AI Studio 里创建密钥并放进环境变量 GEMINI_API_KEY（步骤见 Google AI Studio API Key 怎么创建），再安装 SDK。声音接口要求 google-genai 2.25.0 或 @google/genai 2.24.0 以上，装最新版即可。

单说话人：返回的是完整 WAV

import base64
from google import genai

client = genai.Client()  # 自动读取环境变量 GEMINI_API_KEY

interaction = client.interactions.create(
    model="gemini-3.8-flash-lite-tts",
    input=[{
        "type": "user_input",
        "content": [{
            "type": "text",
            "text": "各位好，欢迎收听本期节目。今天聊的是语音接口该怎么选。",
            "annotations": [{
                "type": "speech_metadata",
                "style": "warm and relaxed",
            }],
        }],
    }],
    response_format={"type": "audio"},
    generation_config={
        "speech_config": [
            {"voice": "Kore"},
        ]
    },
)

with open("intro.wav", "wb") as f:
    f.write(base64.b64decode(interaction.output_audio.data))

三个字段各管一件事：text 是逐字台词，模型会原样念出来，任何"请用开心的语气"之类的指令写在这里都会被读出声；speech_metadata.style 是这一轮的整体演绎方式，情绪、语速、音量都放这里；speech_config 里的 voice 决定谁在说，可以是 30 个预置声音之一，也可以是后面讲到的 voice_... 自定义声音 ID。输入语言由模型自动识别，不需要声明。

返回值 interaction.output_audio.data 是 base64 字符串，解码后就是带 44 字节 RIFF 头的完整 WAV：24 kHz、单声道、16 位有符号小端 PCM。直接写进 .wav 文件即可，不要再用 wave 模块给它套一层头。

同一个请求用 REST 发送，音频在 steps[].content[].data 里，取最后一个 audio 块解码：

curl -X POST "https://generativelanguage.googleapis.com/v1beta/interactions" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemini-3.8-flash-lite-tts",
    "input": [{
      "type": "user_input",
      "content": [{
        "type": "text",
        "text": "各位好，欢迎收听本期节目。",
        "annotations": [{ "type": "speech_metadata", "style": "warm and relaxed" }]
      }]
    }],
    "response_format": { "type": "audio" },
    "generation_config": { "speech_config": [{ "voice": "Kore" }] }
  }' | jq -r '[.steps[] | select(.type=="model_output") | .content[] | select(.type=="audio")] | last | .data' | base64 --decode > intro.wav

双说话人：conversational 模式

播客、访谈、剧情对白用 speech_config.speakers 配两个说话人，mode 设为 conversational，每一轮台词各自带上 speaker：

interaction = client.interactions.create(
    model="gemini-3.8-flash-tts",
    input=[{
        "type": "user_input",
        "content": [
            {
                "type": "text",
                "text": "上周那个语音客服项目，最后是怎么把延迟压下来的？",
                "annotations": [{
                    "type": "speech_metadata",
                    "speaker": "Host",
                    "style": "curious, leaning in",
                }],
            },
            {
                "type": "text",
                "text": "<laugh> 说来话长。后来把每一轮回复拆成短句 |嗯嗯| 再逐句合成，用户听到第一句的时间就短多了。",
                "annotations": [{
                    "type": "speech_metadata",
                    "speaker": "Guest",
                    "style": "amused, storytelling",
                }],
            },
        ],
    }],
    response_format={"type": "audio"},
    generation_config={
        "speech_config": {
            "mode": "conversational",
            "speakers": [
                {"speaker": "Host", "voice": "Puck"},
                {"speaker": "Guest", "voice": "Kore"},
            ],
        }
    },
)

with open("dialogue.wav", "wb") as f:
    f.write(base64.b64decode(interaction.output_audio.data))

这段代码里有三个约定：每一轮都必须写 speaker，且要与 speakers 里配置的名字一致；尖括号标签只描述某个时间点的人声动作，比如笑、叹气、咳嗽、短暂停顿，官方要求即使台词是中文，标签也保持英文；竖线包住的一到三个词是另一位说话人在背景里的插话，会与当前说话人同时发声，官方说明这个效果在 Flash TTS 上最好。单个请求最多两个说话人，而且只能用预置声音；想让自定义声音对话，要逐轮合成再拼接，后面的限制一节会讲怎么拼。

流式：默认返回裸 PCM

语音助手要在第一句合成完就开始播放，用 stream=True。流式返回的不是 WAV，而是没有文件头的 16 位 PCM 分块，同样是 24 kHz 单声道：

stream = client.interactions.create(
    model="gemini-3.8-flash-lite-tts",
    input=[{
        "type": "user_input",
        "content": [{
            "type": "text",
            "text": "好的，已经帮您查到了，订单预计明天下午送达。",
            "annotations": [{"type": "speech_metadata", "style": "calm and helpful"}],
        }],
    }],
    response_format={"type": "audio"},
    generation_config={"speech_config": [{"voice": "Kore"}]},
    stream=True,
)

with open("reply.pcm", "wb") as f:
    for event in stream:
        if event.event_type == "step.delta" and event.delta.type == "audio":
            f.write(base64.b64decode(event.delta.data))

每个 step.delta 事件里的 delta.data 解码后可以直接推给播放器，播放器按 24000 Hz、1 声道、16 位有符号小端来配置。如果要把分块落成文件再听，需要自己补文件头，用 ffmpeg 一行就够：

ffmpeg -f s16le -ar 24000 -ac 1 -i reply.pcm reply.wav

输出格式：什么时候改 mime_type

一元请求默认 audio/wav，流式默认 audio/l16，两者都可以在 response_format 里显式指定，并附带 sample_rate：

采样率可以设 24000、16000 或 8000。电话客服接 8 kHz 的线路时，直接让接口输出 audio/mulaw 或 audio/alaw 并把 sample_rate 设为 8000，比拿到 WAV 再转码少一道工序。

成本：按每秒 25 token 换算

价格页对两款模型都写了同一条脚注：音频输出按每秒 25 个 token 计。由此得到换算基数：

• 1 分钟音频 = 1,500 个输出 token
• 1 小时音频 = 90,000 个输出 token
• 每小时成本 = 90,000 ÷ 1,000,000 × 每百万 token 的输出价

代入价格页的各通道数字，得到下面的每小时音频成本。这是按公式推导的数值，实际时长取决于模型的语速，重试与失败的生成不在其中：

对照旧模型：gemini-3.1-flash-tts-preview 的音频输出是每百万 token $20.00，合每小时 $1.80；gemini-2.5-flash-preview-tts 是 $10.00，合每小时 $0.90。也就是说，从 3.1 preview 换到 Flash-Lite TTS，2026 年内每小时音频从 $1.80 降到 $0.54；即便 2027 年涨到 $1.08，仍低于 3.1 preview 的现价。

文本输入按标准通道每百万 token $0.50 计，几乎可以忽略：单个请求的输入上限是 8,192 个 token，全部用满也只有约 $0.004。所以估算时只算音频输出就够了。举一个具体例子：一期 30 分钟的双人播客，音频输出 30 × 1,500 = 45,000 个 token，用 Flash TTS 标准通道是 45,000 ÷ 1,000,000 × $9.00 ≈ $0.41，用 Flash-Lite TTS 约 $0.27。注意单个请求的输出上限是 16,384 个 token，按同一规则约合 655 秒、不到 11 分钟音频，30 分钟的节目至少要拆成三个请求。

免费层的情况是：标准与 Priority 通道对两款模型都"免费"，Batch 与 Flex 在免费层不可用；免费层的数据会被 Google 用于改进产品，付费层不会。截至 2026 年 9 月 30 日，速率限制页没有列出 3.8 TTS 的每分钟请求数或每日请求数，实际限额只能在 AI Studio 的"活跃速率限制"里查看，怎么看以及为什么多个 Key 共享同一额度见 Gemini API 免费层速率限制 2026。付费后还有按 10 分钟计的消费上限：Tier 1 为 $10，Tier 2 为 $50，Tier 3 为 $200，批量生产有声书时要按这个上限安排并发。

从 3.1 preview 或 2.5 迁移：五处断点

官方模型页列了五项迁移要点，每一项都对应旧代码的一个具体症状：

第一项的前后对照，在请求体里长这样：

// 3.1 preview 的写法：指令和台词混在同一个字符串
{ "text": "Say cheerfully: 欢迎收听本期节目" }

// 3.8 的写法：text 只放台词，指令进 speech_metadata
{
  "text": "欢迎收听本期节目",
  "annotations": [{ "type": "speech_metadata", "style": "cheerful" }]
}

第四项值得多说一句。官方提示指南还专门提醒，不要在 style 里写"保持同一个声音""不要切换说话人"这类元指令，多余的提示文字反而会增加漂移；也不要在 style 里改年龄、性别、固定口音，这些属于声音本身，应该从声音库里挑或用声音设计生成。迁移后的正确顺序是：先用空 style 跑一遍文稿，多数请求不需要任何指令；确有需要再加一个简短的 style，并在多轮里复用同一个字符串。

两个附带提醒：官方文档页上的 Go 示例截至 9 月 24 日仍写着 gemini-3.1-flash-tts-preview、内联"Say cheerfully:"和手工 RIFF 封装，用 Go 的读者按 REST 的请求形状改写，别照抄；3.1 preview 用户默认换到 Flash-Lite TTS，价格和延迟档位对应，需要表演档再升 Flash TTS。

撞上限制之前

中文文稿还有一条容易踩的：尖括号标签必须保持英文。下面这种写法是对的，标签英文、台词中文：

这个方案前后试过三次 <sigh> ...最后还是换了流式。<short pause> 不过结果还不错 <laugh>。

停顿有三个粒度：标点和省略号做自然迟疑，short pause、long pause 标签做精确位置的停顿，style 写 "speaking slowly" 控制整轮语速。官方给的强调手段是把英文单词全部大写并配合标点与标签，中文文稿没有对应写法，只能靠标点、停顿标签和拆分轮次；专有名词读错时，在词后用斜杠包一段国际音标，例如 /niːv/。

声音：预置、扩展库、声音设计与声音复刻

speech_config.voice 接受四类值：30 个预置声音的名字、扩展声音库里的声音 ID、声音设计生成的 voice_...、声音复刻生成的 voice_... 或无状态的 voicekey_...。

预置声音有 30 个，官方各给了一个词的性格标签，比如 Kore 是"沉稳"，Puck 是"活泼"，Charon 是"播报感"，Algenib 是"沙哑"。扩展声音库通过 client.voices.list() 查询，可以按语言、地区、口音、性别、音高、人设、用途筛选，也可以按关键词搜索：

voices = client.voices.list(
    language_code=["zh-CN"],
    gender=["female"],
    contexts=["Audiobook"],
    type_=["prebuilt"],
    page_size=50,
)
for v in voices.voices or []:
    print(v.id, v.display_name, v.accent, v.gender, v.pitch, v.description)

声音设计是从一段文字描述生成一个可复用的声音。描述的重点是这个人是谁，也就是年龄、音色、音高、口音、说话节奏，不是一时的情绪。官方文档和开发者指南里的描述都用英文写，下面照这个写法：

created = client.voices.create(
    store=True,
    voice={
        "model": "gemini-3.8-flash-tts",
        "type": "prompted",
        "display_name": "深夜电台主播",
        "gender": "male",
        "language_code": "zh-CN",
        "prompted": {
            "input": (
                "A Mandarin-speaking radio host in his early 40s, low warm"
                " baritone, unhurried pace, relaxed late-night talk-show feel."
            ),
        },
    },
)
print(created.id)  # voice_... 之后直接填进 speech_config 的 voice

创建和读取时都会返回 sample_audio，是一段 base64 的 WAV 试听，可以先听再决定要不要留。两款模型都支持声音设计。

声音复刻用 type: "replicated"，要提供两段音频：10 到 30 秒干净的参考语音 source_audio，以及同一位成年说话人清楚念出授权声明的 consent_audio。简体中文的声明原文是：

我是此声音的拥有者并授权谷歌使用此声音创建语音合成模型

两段音频建议用同一支麦克风、同一个房间录，重采样成 24 kHz 单声道 16 位 WAV。所有 Gemini 音频输出都带 SynthID 水印。官方博客脚注写明"通过 AI Studio 的声音复刻"在伊利诺伊州、得克萨斯州、欧洲经济区、英国、瑞士和印度不可用，这条只提到 AI Studio 界面，API 路径是否同样受限没有说明。

中国大陆读者的适用条件

Gemini API 与 Google AI Studio 的可用地区列表截至 2026 年 9 月 30 日包含台湾、日本、韩国、美国等地，但没有中国大陆，也没有香港；同一页还要求账号年满 18 岁并完成年龄验证。模型支持简体中文、繁体中文和粤语，与账号所在地能否开通是两件事：文稿是中文不代表大陆账号可以使用。大陆读者的地区、付费方式与凭据路线，请看 Gemini API Key 购买前先看：中国大陆的地区、付费与凭据路线；AI Studio 哪些功能免费、地区与年龄条件怎么影响使用，见 Google AI Studio 免费吗。

常见问题

Gemini 3.8 Flash TTS 免费吗？ 免费层对两款模型的标准和 Priority 通道都不收费，Batch 与 Flex 在免费层不可用，免费层的数据会用于改进产品。免费层的每分钟、每日请求上限没有公开数字，以 AI Studio 里显示的活跃限额为准。

中文和粤语的效果哪款更好？ 两款模型的语言表里简体中文、繁体中文、粤语都是支持状态，官方没有公布中文的对比数据。可以先用 Flash-Lite TTS 跑同一段文稿，只有在口音、情绪或双人插话不满意时换 Flash TTS，改一个模型字符串就能对比。

能在 Vertex AI 上用吗？ 截至 2026 年 9 月 30 日不能。Cloud TTS 的 Gemini-TTS 页面没有列出 3.8 模型，官方博客说企业版接口"即将通过 Gemini Enterprise 提供"，目前只有 Gemini API 这一条路。

流式拿到的音频为什么播不出来？ 流式默认返回没有文件头的裸 PCM，很多播放器打不开。要么按 24 kHz、单声道、16 位配置播放器直接推流，要么用 ffmpeg 补上 WAV 头；反过来，一元请求返回的已经是完整 WAV，再套一层头就会变成双头文件。

自定义声音能用在双人对话里吗？ 单请求的两人模式只接受预置声音。用声音设计或复刻的声音做对话，要逐轮合成，请求时指定 audio/l16，再按 24 kHz PCM 顺序拼接。