Google udruller Gemini 3.8-talemodeller i API og AI Studio

Google introducerede den 23. september 2026 Gemini 3.8 Flash TTS og Gemini 3.8 Flash-Lite TTS, to tekst‑til‑tale‑modeller, som den beskrev som sine mest udtryksfulde lydgenereringsmodeller indtil nu. Begge modeller begyndte at blive rullet ud samme dag i Gemini API og Google AI Studio.

Meddelelsen, skrevet af gruppeproduktchef Leland Rechis og forskningsdirektør Alan Cowen på vegne af Gemini Audio‑teamet, præsenterer Gemini 3.8 Flash TTS som et værktøj til detaljeret kreativ instruktion og karakterdesign på tværs af gaming, immersive lydbøger, podcasts og interaktive medier. Gemini 3.8 Flash-Lite TTS er bygget til højvolumen, omkostningseffektiv brug, optimeret til dubbing, oprettelse af lydindhold og stemmeagenter med finjusteret kontrol over tone, tempo og udtryksfulde nuancer. Meddelelsen præsenterer parret som en fortsættelse af tidligere Gemini Audio‑udgivelser: 3.5 Live Translate, 3.5 Transcribe og Gemini 3.8 Live og 3.8 Live Extended Thinking-modellerne. Ifølge Gemini 3.8 Audio-modelkortet er modellerne baseret på Gemini 3 Pro, og TTS‑varianterne accepterer tekstinput op til 8 K‑tokens og returnerer lydoutput op til 64 K‑tokens.

Stemme‑design og replikation

Google sagde, at Gemini 3.8 Flash TTS kan skabe skræddersyede stemmer fra bunden via naturlig sprog‑prompting, tilpasse rolle, accent og stemmeegenskaber på tværs af mere end 100 sprog og dialekter. Virksomheden oplyste, at udgivelsen udvider det oprindelige sæt på 30 stemmer til et bibliotek på mere end 2 000 produktionsklare stemmer med bred sprogdækning, herunder regionale varianter som mexicansk spansk, québec-fransk og skotsk engelsk. Brugere kan gemme og administrere deres tilpassede stemmer for at holde stemmeudtrykket ensartet på tværs af igangværende projekter, og en stemme‑remix‑funktion, der justerer klangfarve, tonehøjde, tempo og accent på bibliotekstemmer, er angivet som kommende.

Stemme‑replikation genskaber en konsistent vokalprofil fra et 30‑sekunders lydklip af brugerens egen stemme eller en stemme, som brugeren har ret til at anvende. Google oplyste, at funktionen leveres med indbygget samtykkebekræftelse, SynthID‑vandmærkning og C2PA-oplysninger om indholdets oprindelse.

Instruktion af stemmefremførelse og rapporterede benchmark‑resultater

Begge modeller tillader linje‑for‑linje instruktion af hver fremførelse: brugere kan skrive deres egne sceneinstruktioner eller lade Gemini styre fremførelsen ud fra naturlige signaler i manuskriptet. Google sagde, at generering af længere lydforløb bevarer stemmekvalitet, tempo og figurens klangfarve stabile i timevis af kontinuerlig lyd med minimal ændring af talerens stemmeidentitet, rettet mod podcasts og lydbøger. Indbygget iscenesættelse med to talere styrer samtaler med flere replikskift ud fra et enkelt manuskript, mens de to stemmer holdes adskilte med naturlig turtagning. Manuskriptstyrede korte stemmelyde og korte lytterresponser tilføjer non‑verbale signaler såsom <laughs>, <sigh>, og <gasp>, samt indskud som “mhm” og “yeah”.

I evalueringerne rapporterede Google, at Gemini 3.8 Flash TTS opnåede førstepladsen samlet på Hume AIs Voice Design Benchmark med en score på 71,4 og også førte i accent‑modellering med 60,8. Det blev oplyst, at Flash TTS og Flash‑Lite TTS indtager første og anden plads på Hume AIs Overall Quality Index, og at de nye modeller viser betydelige forbedringer i forhold til Gemini 3.1 Flash TTS på tværs af anvendelsestilfælde, herunder indhold i langt format og manuskriptstyring med to talere. I blindede præferencevurderinger foretaget af mennesker på Voice Arena sagde Google, at de to modeller indtog top‑positionerne blandt konkurrenterne på sprog som japansk, brasiliansk portugisisk, vietnamesisk, moderne standardarabisk, mexicansk spansk og hindi.

Sikkerhed, begrænsninger og tilgængelighed

Under samtykkebekræftelsessystemet skal en bruger levere en mundtlig samtykkeoptagelse fra stemmeejeren, der matcher reference‑talerens stemme, før en replikeret stemme kan oprettes. Hvert lydklip, som Gemini Audio‑modellerne genererer, indeholder et SynthID‑vandmærke, som Google beskriver som uopfatteligt og indlejret direkte i lydoutputtet, så AI‑genereret tale fortsat kan påvises.

Modelkortet angiver kendte begrænsninger, herunder hallucinationer og lejlighedsvis langsomhed eller timeout‑problemer, og angiver en vidensgrænse i januar 2025. Hvad angår sikkerheden ved avancerede AI-modeller sagde Google DeepMind, at deres vurderinger ikke fandt nævneværdige nye kapaciteter eller væsentlige præstationsforbedringer i Gemini 3.8 Audio‑modellerne sammenlignet med Gemini 3.7 Flash. Evalueringerne havde vist, at denne sammenligningsmodel ikke nåede nogen af niveauerne Tracked eller Critical Capability Levels under deres Frontier Safety Framework. På dette grundlag konkluderede de, at Gemini 3.8 Audio‑modellerne sandsynligvis ikke vil nå disse niveauer.

Gemini 3.8 Flash TTS er også tilgængelig i Gemini Notebook og Flash‑Lite TTS i Google Vids, med enterprise‑adgang via API i Gemini Enterprise angivet som kommende. Google AI Studio tilføjer et lydtestmiljø opbygget som et arbejdsområde til stemmedesign, hvor udviklere kan skabe nye stemmeidentiteter fra bunden ved hjælp af prompts eller replikere en stemme og derefter styre fremførelsen linje for linje i en manuskripteditor til to talere. En fodnote i meddelelsen bemærker, at stemme‑replikation gennem AI Studio ikke er tilgængelig i Illinois, Texas, Det Europæiske Økonomiske Område, Storbritannien, Schweiz og Indien. Udviklerplatforme som Agora, LiveKit, Pipecat og Vercel understøtter modellerne via Gemini API, og Google navngav Figma, HeyGen, Linguana, Wondercraft, 99.co og Ollang som partnere, der integrerer de nye TTS‑modeller til global dubbing, medielokalisering og samtalebaserede stemmeagenter.