本文目錄

Google 公開賬號（@Google）發帖稱：Gemini 3.8 Flash TTS 的 Voice Remixing 已在 Google AI Studio 與 Gemini API 上線（https://x.com/Google/status/2118027058794148099）。帖子時間戳為 2026-11-04T17:06:16Z，即 2026-11-05 01:06:16 Asia/Shanghai。文案寫：可從 2,000+ 聲庫或自定義設計的聲出發，用提示微調 timbre、pitch、pace、accent（帖內舉例包括 “add a subtle Southern U.S. accent”“make it sound like a fire-breathing dragon”）。同帖續文指向 AI Studio 裡的 「Remix this voice」，可並排試聽 三 個生成 takes，再儲存複用於指令碼與多說話人場景。@GoogleDeepMind 隨後轉帖同一宣佈（2026-11-04T17:12:04Z／2026-11-05 01:12:04 Asia/Shanghai；https://x.com/GoogleDeepMind/status/2118028516948336696）——可作交叉確認，不當作第二條獨立產品公告。DigIntoAI 暫時還沒有在 Studio 點 Remix，也沒有呼叫 voices API，更沒有聽 sample；下文均來自這些公開帖與 Google 開發者文件。

相關閱讀：OpenAI 自訂聲音：文字設計與錄音克隆有什麼差別、Gemini API 價格（2026年11月）、Gemini API 付費檔新專案預設會存 Generate Content 請求、Google 發布 Gemini 4 Carbon：下一代前沿模型。

上線的是什麼（既有 TTS 上的功能——不是新模型）

主題是 Voice Remixing：用自然語言改已有聲音——落在已經在售的 Gemini 3.8 Flash TTS 系列上。它不是新 TTS 模型 ID 首發，也不是用新型號替換 Gemini 3.8 Flash TTS／Flash-Lite TTS 本身。

Google 的 Voice remixing 文件把流程寫成：

  1. 選一個 base_voice（預置 studio 名、Extended Voice Library ID，或已存自定義 voice_...）。
  2. 呼叫 POST /v1beta/voices，type="prompted"、store=True，並用相對自然語言 input 描述改動（年齡、音高、能量、音色、口音、節奏等）。
  3. 拿到新的、獨立儲存的 voice_... ID——可選附帶 24 kHz WAV sample_audio 預覽——不改寫原來的 base_voice。

該 voice_... 隨後可用於 gemini-3.8-flash-tts 與 gemini-3.8-flash-lite-tts 合成。建立時 model 常為／預設可省略時用 gemini-3.8-flash-tts。文件點名的互動入口：Google AI Studio generate-speech（https://aistudio.google.com/generate-speech）。

speech-generation 指南已在單聲 TTS 的聲選項裡列入 remix 得到的 voice_...（與預置聲、Extended Voice Library、Voice design、Voice replication 並列）——說明 remixing 落在既有 TTS 文件樹裡，不是另一套模型家族。

API 形狀（人話）

文件示例會把預置 "Puck" 用相對提示 remix（例如略顯年長、帶一點溫暖英式口音、有聲書式的沉穩節奏），列印新的 voice_...，可選儲存 WAV 預覽，再在 speech_config 裡用該 ID 合成。

文件寫明的關鍵引數：

欄位作用
store=Trueprompted 聲必填；存進專案
voice.type="prompted"remix／design 路徑（與 Voice design 同屬一端點家族，並加上 base_voice）
prompted.base_voice源聲名或 ID
prompted.input相對自然語言改動
返回的 voice_...新資源；Flash TTS 與 Flash-Lite TTS 都可用

文件還寫了迭代 remix：已 remix 的 voice_... 可再當下一輪 base_voice。remix 新建資源，不覆蓋源聲；按文件，之後刪除原 base_voice 也不影響從它 remix 出來的聲。

同頁配額表述（按文件原文）：Voice remixing 需要 Gemini API Paid Tier（Tier 1 及以上）；每專案最多 200 個有狀態儲存聲（designed／remixed／已存 replicated 共享）；保留期為自上次使用起 1 年，用於合成或作為 remix 的 base 時視窗會重置。DigIntoAI 暫時還沒有用真實專案賬單核對這些限額。

提示寫法上，文件更主張寫相對調整（改要改的點），而不是整段重寫人設；除非明確改語言／口音，否則傾向保留 base 的語言與口音；長久人設放 remix，單輪演技放合成時的 speech_metadata.style。

兩個「聲庫數字」——分層讀

公開表述與文件說的庫存層次不同：

  • @Google 帖與 9 月產品博文都提到約 2,000+ 可量產／預置聲的寬庫（帖子也允許從自定義設計聲起步）。
  • Voice remixing 文件寫：base_voice 可以是約 30 個預置 studio 名（如 "Puck"／"Kore"／"Zephyr"），或 Extended Voice Library 的目錄 ID（GET /v1beta/voices／client.voices.list()），或 專案內已存的 prompted voice_...。

這不是同一集合寫了兩遍。把 2,000+ 讀作公開宣佈與產品博文裡的寬庫口徑；把 約 30 個 studio 名＋Extended Voice Library＋已存自定義 ID 讀作文件對 base_voice 可接受來源的分層說明。DigIntoAI 暫時還沒有列舉現網目錄。

時間線：博文仍 Coming soon，帖子＋文件標上線

2026-09-23，Google 產品博文 *Gemini 3.8 text-to-speech says hello* 介紹了 Gemini 3.8 Flash TTS 與 Flash-Lite TTS，並在建立與自定義一節把 Voice remixing 標成 「Coming soon」——從聲庫選聲，用提示微調 timbre／pitch／pace／accent。再開該頁時，Coming soon 文案仍可見，dateModified 仍落在 2026-09-23（那一行並未改成已上線的過去時）。

現在能不能用，以 2026-11-04／11-05 Asia/Shanghai 的 @Google 帖與現網 Voice remixing 開發者文件為準——不會因為 9 月博文還寫 Coming soon 就否定上線，也不會把那篇博文改寫成「當時已經宣佈 GA」。博文仍可用於早期時間線，以及與公開帖一致的 2,000+ 聲庫說法。

DigIntoAI 沒做的事

  • 未登入 Google AI Studio 點 Remix this voice、未對比三 takes
  • 未從 DigIntoAI 側呼叫 POST /v1beta/voices
  • 未評估 remix sample 聽感、口音或多說話人複用
  • 未測 remix 建立與 TTS 合成的計費／配額
  • 未聲稱 9 月產品博文已刪掉 Coming soon

產品帖與文件可能更新；依據仍是 Google 公開帖及 Voice remixing／speech-generation 文件。

速覽

  1. 是什麼. Voice Remixing——對已有聲做自然語言改動 → 新的 voice_... ID。
  2. 在哪. Google AI Studio + Gemini API（據 @Google）；文件鏈 Studio generate-speech。
  3. 何時稱上線. @Google 2026-11-05 01:06:16 Asia/Shanghai（2026-11-04T17:06:16Z）；DeepMind 轉帖在數分鐘後。
  4. 誰用 remix ID. gemini-3.8-flash-tts 與 gemini-3.8-flash-lite-tts（不是新模型系列）。
  5. API. POST /v1beta/voices，type="prompted"，base_voice + 相對 input，store=True。
  6. 聲庫口徑. 公開帖／9 月博文：2,000+；文件：約 30 studio 名 + Extended Voice Library + 已存自定義——分層讀。
  7. 9/23 博文. 仍可見 Voice remixing Coming soon；上線判斷跟帖子 + 現網文件。
  8. 相關. OpenAI 自定義聲（prompt vs 錄音）、Gemini API 價格、Generate Content 預設儲存、Gemini 4 Carbon。

一句話

Google 稱 Gemini 3.8 Flash TTS 的 Voice Remixing 已在 AI Studio 與 Gemini API 上線，可用自然語言從 2,000+（或自定義）起點調 timbre／pitch／pace／accent。開發者文件寫明 POST /v1beta/voices → 新的儲存 voice_...（給 gemini-3.8-flash-tts／gemini-3.8-flash-lite-tts 用，不覆蓋原聲）。這是既有 3.8 TTS 上的功能，不是新模型釋出。2026-09-23 產品博文仍可能顯示 Coming soon；上線依據是 11 月公開帖與現網文件。DigIntoAI 暫時還沒有實測 Studio／API／聽感／計費——細節跟上述公開來源。