Gemini 3.8 TTS 上线 Voice Remixing：用自然语言改造预置或自定义音色，生成可复用的新声音 ID

背景与行业痛点

做语音产品的团队常常卡在“差一点”：预置音色接近想要的效果，但口音、语速或年龄感不对；用 Voice Design 从零描述一个新声音，又很难保证和原来的品牌音色一致。此前 Gemini 3.8 TTS 已支持预置音色和 Voice Design，但缺少在已有音色上微调的手段。

架构亮点与底层机制

据 Gemini API 官方 changelog（11 月 4 日）和 Voice remixing 文档，该功能复用 Voice Design 的 POST /v1beta/voices 接口（type=prompted、store=true），新增 prompted.base_voice 字段指定基础音色，prompted.input 用自然语言描述改动。模型把这些相对指令应用到基础音色的声学特征上，在项目中存为新的 voice_ 资源，并返回 24kHz WAV 试听样本；原音色不会被修改。新 ID 还能再作为 base_voice，逐步迭代。Google DeepMind 开发者体验负责人 Thor（@thorwebdev）也在 X 上介绍了这一功能。

权威 Benchmark 与实测跑分对比

这是 API 功能更新，官方未公布任何跑分、延迟或音质评测数据，也没有单独说明额外定价；具体计费请以 Gemini API 定价页为准。

开发者实战落地与开箱指南

可在 Google AI Studio 的 Generate speech 页面交互试用，或用 google-genai SDK 调用 client.voices.create()，传入 base_voice（如 "Puck"）和修改说明，拿到 voice_ ID 后在 speech_config 中用于 gemini-3.8-flash-tts 或 gemini-3.8-flash-lite-tts 合成。适合有声书旁白、品牌语音、多角色配音等需要同一音色多个变体的场景。