刚拿到Gemini 3.8文本转语音的测试样本，读一段300字的科技博客，没有之前大模型语音常见的断句生硬、重音错位，甚至能听出自然的思路停顿——这是这次功能最不一样的地方。
这次的TTS，不是凑数的附加功能
之前大模型的语音功能，要么是对接第三方TTS接口，音色单一只能做简单的新闻播报，要么是基础版，应付不了长文本的流畅度，读几句就卡壳。但Gemini 3.8的TTS是直接嵌在模型底层的，支持多说话人切换，还能根据文本内容调整语气——比如读科技博客里的疑问语气，会自然上扬，不是那种机械的升调。
门道在语境绑定，不是堆音色
之前的TTS要调整语气，得手动给指令，比如“用严肃语气”“这里要强调”，太麻烦。但Gemini 3.8的TTS能自己读通文本的逻辑。遇到括号里的注释内容，会自动放慢语速；遇到转折句，会拉长停顿的长度。这不是堆了多少音色库，是把TTS从“声音工具”变成了“表达工具”。之前的选手，比如ElevenLabs靠音色库垄断市场，OpenAI的TTS还没打通模型的上下文，Meta的同类功能也停留在基础播报的水平。
对行业来说，是拆了旧的墙
之前做有声书、播客的从业者，要走“大模型写稿→第三方TTS转语音→后期反复调整”的链路，成本高，还容易出现音色和内容不搭的问题，比如科技内容用甜腻的音色，违和感拉满。Gemini 3.8把这两个环节打通，以后直接生成带语音的内容，不用再跳转到第三方工具，省了不少麻烦。但对专业TTS公司来说，压力不小——他们的核心看家本事是音色库，而谷歌的看家本事是模型对内容的理解，这是他们短时间补不上的。
现在还不确定谷歌会不会把这个功能全面开放给普通用户，以后会不会成大模型的标配？留给行业的问题是，TTS的核心竞争力，到底是能模仿到极致的真人音色，还是能贴合内容的表达逻辑？
素材来源：Google DeepMind Blog · AI情报、大模型、AI应用落地
查看报道原文
发表第一条评论吧