Gemini 3.8 Flash TTS 語音克隆怎麼用？聲音設計、30 秒樣本與授權風險一次看懂

10月7日

讀畢需時 6 分鐘

你剛錄完一段三分鐘的產品旁白，剪進影片之後才發現問題：內建聲音庫翻了一輪，沒有一個像你腦中那個人。太年輕、太播報腔、口音也不對。

很多人走到這一步，會做同一件事：去找語音克隆，拿一段聲音當模板。可是接著撞上的，往往不是技術問題，而是另一個問題：這段聲音是誰的？對方知道嗎？

Sam Witteveen 在 YouTube 影片〈Gemini 3.8 Flash TTS with Voice Cloning〉裡，正好把這兩件事放在同一支影片講。本文把影片重點重新整理成中文脈絡，並補上使用前該先想清楚的事。

兩個新模型，其實分工不同

影片提到，Google 這次推出兩個文字轉語音模型：Gemini 3.8 Flash TTS 與 Gemini 3.8 Flash Light TTS。

兩者定位不同。Flash TTS 偏創作，適合角色配音、有聲書、Podcast、遊戲。Flash Light 偏量產，適合配音轉製、大量語音輸出、語音代理，也就是成本比逐字雕琢更重要的場合。

Google 自稱這是目前表現力最強的語音模型。影片作者的態度是：部分屬實，但看獨立數字，結果比官方部落格呈現的更分歧。這句話先記著，後面會回來。

不選聲音，改成「描述聲音」

影片認為最值得注意的功能是聲音設計。你不必從固定清單挑一個，而是用白話描述想要的聲音，包含角色、口音、年齡等特徵，模型據此產生。影片說支援 100 種以上語言。

作者也講到這類模型最常讓人卡關的地方：預設聲音沒有一個合用，最後只好走向克隆。他自己的做法是先用略有差異的描述產生多個合成聲音，挑最好的一個，再克隆那個人造聲音。這樣的好處是，被複製的對象根本不是真人。

另外，聲音庫有 2,000 種以上的聲音與大量地區口音，可以調整後存起來重複使用。

影片示範了一個「天文學家」角色：六十歲後段、帶英國口音。作者的評語很實在：聽起來像有點紀錄片旁白的味道，但他覺得聲音比設定的年齡年輕得多。這也提醒你，描述不等於保證，要試聽。

一句一句導演，還能兩人對話

聲音選定後，可以對每一句下表演指示：這句耳語、這句急促、這句帶點諷刺。文字裡也能插入非語言標籤，例如嘆氣、笑聲、吸氣。

影片用同一句話測了平淡、興奮、緊張近乎耳語三種風格，作者的感受是聽起來差很多。他還特別喜歡一點：風格會連帶影響音訊長度，而不是硬把內容塞進固定時長。

此外，一次 API 呼叫可以帶兩位說話者，各自有各自的風格。Google 宣稱長篇錄音能維持聲音穩定、不漂移。作者說他近來在一些開源 TTS 上確實碰過長文本越念越走樣的問題，所以這點對他有吸引力。不過他聽完雙人示範的感覺是：很像自動生成的 NotebookLM 式節目。

語音克隆：30 秒樣本，加上一段同意錄音

接下來是全片最敏感的部分。影片說，操作方式是提供約 30 秒的樣本讓系統生成該聲音。

但流程裡有一道關卡：被克隆的人必須錄一段同意聲明，而且這段聲明要與參考說話者比對吻合，系統才會產生複製聲音。影片還提到，每段輸出都會加上 SynthID 浮水印，並附 C2PA 憑證。

影片也指出，AI Studio 裡的語音克隆功能，因為法律要求，在不少國家甚至美國部分州都不可用。這說明這件事連 Google 都處理得很小心。至於台灣是否可用，影片沒有說，本文也沒有查證，使用前請自行確認。

作者實測的結果有點出乎意料：用 30 秒自己的聲音克隆出來，他聽起來「差異相當大」，推測給更長的參考音訊會更好。他同時認為，開源的 Qwen TTS 在克隆上仍然很強，但在用描述產生聲音這一塊，Gemini 較有優勢。

先停一下：同意、冒用與你該做的事

這一段不是影片的核心，卻是你真正要自己負責的部分。

語音克隆最大的風險，不是音質不夠像，而是太像。聲音可以用來冒充他人、詐騙，或在對方不知情的情況下代言。Google 把「本人同意錄音」做成技術流程的一環，正是因為這類濫用的後果很重。

如果你要用語音克隆，至少做到這幾件事：

一，只複製你本人的聲音，或取得聲音主人明確、可留存的書面授權，說清楚用途、範圍與期限。

二，不要複製名人、同事、客戶或任何第三方的聲音，即使「只是做個測試」。

三，產出的音訊若對外發布，主動標示是 AI 合成，並保留授權文件與生成紀錄。

四，如果可以用聲音設計產生一個不屬於任何人的合成聲音，通常比克隆真人更安全。

上述是一般性的風險提醒，不是法律意見。涉及肖像、聲音與個資的法規各地不同，商用前請諮詢法務。

基準測試：怎麼看「第一名」

回到前面那句話。影片說 Google 的數字主要引用 Hume AI 的基準，宣稱 Flash TTS 在 Hume 的聲音設計基準排名第一，尤其擅長口音。

作者接著指出一個利益關係：該篇部落格的兩位作者之一，在今年 1 月前曾是 Hume AI 的執行長兼首席科學家；那時 Google DeepMind 授權了 Hume 的技術，並聘用了該公司一批人。作者強調自己不是說數字有錯，而是用自己設計的基準來評自己，不見得是最好的判斷方式。

獨立一點的參考是 Artificial Analysis 的 Elo 偏好排名：Gemini 3.8 Flash TTS 排第二，Flash Light 排第六，Flash 緊接在 Qwen 新的 Audio 3 TTS Plus 之前。影片說，Gemini 在發音相關的項目上表現突出，這對要念數字、編號的語音代理很重要。多語言則是 Google 的強項，但 Cartesia 與 ElevenLabs 也進步很快。

價格方面，影片的說法是 Google 落在中間：比 Cartesia、ElevenLabs 的部分方案更有價格優勢，對 Minimax 也是，但離最便宜很遠。更有意思的是，Flash Light 並沒有比 Flash 便宜多少，這與文字模型版本的情形不同。作者試聽後的感覺是，Light 傾向比較懶散、可能拉得更長，而 Flash 約貴 50%，所以若不是長篇內容，他大概會選音質好的那個。

結尾：換一個問法

回到開頭那段三分鐘旁白。

你以為問題是「哪個聲音最像」。影片本身只示範了描述設計與克隆流程；本文的建議是：先用描述設計一個不屬於任何人的聲音，需要克隆時，克隆的只能是你自己、或明確授權你的人。

下一次翻聲音庫翻到煩躁的時候，先問自己兩個問題：這個聲音是誰的？他同意了嗎？這兩個問題有答案，再談像不像。

常見問題

Q1：Gemini 3.8 Flash TTS 與 Flash Light TTS 差在哪？

依影片說法，Flash 偏創作用途，如角色、有聲書、Podcast、遊戲；Flash Light 偏量產，如配音轉製與語音代理。影片另指出兩者價差不大，Flash 約貴 50%。

Q2：語音克隆需要什麼樣本？

影片示範用約 30 秒參考音訊，並要求被克隆者錄製同意聲明。作者認為更長的樣本可能效果更好，但這是他的推測，不是官方保證。

Q3：可以克隆別人的聲音嗎？

不可以隨意這樣做。必須取得本人明確授權；影片中的流程也要求本人錄製同意聲明並與參考聲音比對。未經同意複製他人聲音，可能涉及冒用與其他法律問題。

Q4：我所在的地區能用語音克隆嗎？

影片指出 AI Studio 的此功能在不少國家與美國部分州不可用。台灣是否可用，本文未查證，請以 Google 官方說明為準。

資料來源與延伸閱讀

本文整理自 YouTube 影片〈Gemini 3.8 Flash TTS with Voice Cloning〉，頻道 Sam Witteveen，發布日 2026-09-24，原始連結為 https://www.youtube.com/watch?v=GDUBXR-ql78。文中人物與基準測試的說法皆屬影片發言者觀點，已標明歸屬；逐字稿中未見業配揭露。價格相關描述僅為相對比較，未取得具體牌價，請以官方頁面為準。語音克隆的風險提醒為一般性說明，非法律意見。