Gemini 3.8 文本转语音

原文 ↗ Hacker News 讨论 ↗

Google 的新 Gemini 3.8 文本转语音模型被认为在技术上令人印象深刻、定价有竞争力，并且在某些情况下可与 ElevenLabs 等领先商业系统相媲美，尤其适用于有声书这类长篇音频。评论者强调了一些把商业与开源工具（Qwen、Kokoro、Fish Audio、Higgs 等）混合使用的新工作流，以获得更好的韵律、更强的本地控制和更低的成本，同时指出许多声音仍然带着细微的“AI 感”，而且往往过于情绪化。与此同时，人们也担心 Google 各平台之间可用性碎片化、声音克隆的伦理与防护措施，以及这对配音演员和游戏/音频制作的更广泛影响。

本地和开源 TTS 及有声书工具

  • 有几个人正在开发本地有声书 / 音频剧应用（例如，带引语归属、声音设计以及类似舞台指令控制的全配音情感朗读器）。
  • 建议的流水线：用一个模型做“声音设计”，再用另一个模型做最终渲染。
  • 多种本地工具被推荐：Kokoro（通过 Python 前端）、Alexandria Audiobook、pdf-narrator、PocketTTS、audio.cpp 等。
  • 用户看重“无云端、无 token”，以及能在消费级硬件上运行（M1、中端 GPU）。

模型对比与感知质量

  • Gemini 3.8 TTS 被广泛称赞为“好得离谱”，在表现力上可与 ElevenLabs v3 相提并论。
  • 也有人仍然更喜欢 Fish Audio、Higgs、Qwen3 TTS、BreezeTTS 等开源模型，因为它们的韵律更好，或更适合特定用途。
  • 有人说示例忽略了关键的提示词线索（例如笑声标签），输出并不能精确匹配指令。
  • 还有抱怨称许多模型“演过头”了：情绪夸张、随机重读，在长对话里显得“愤怒”或“令人难以忍受”。
  • 一些用户希望有克制、稳定的“计算机声音”，并且具备很强的发音控制。
  • 据称英式口音仍然较弱，而且“听起来很假”。

声音克隆、同意与滥用担忧

  • 从短样本进行声音复制被认为已经商品化；“袋子里的猫已经放出来了”。
  • 用户报告称，借助开源工具，能在数小时内创建出自己和名人的高度逼真克隆。
  • 人们担心诈骗、冒充，以及同意录音会保存多久；也怀疑同意验证无法抵御合成声音的欺骗。

定价与经济性

  • Gemini 3.8 TTS 的定价（约每音频小时 $0.27–$0.81，批量更便宜，促销到年底）被认为与 ElevenLabs 相比非常有竞争力。
  • 对于大部头书籍（例如 25 万词），成本差异将决定用户是否采用这项服务。

平台碎片化与集成缺口

  • 人们不满于 Google 的模型和能力在消费者、专业消费者、Workspace 和 GCP 之间各不相同；可用性和功能并不一致。
  • 用户希望新的 TTS 能驱动 Play Books、Android/Android Auto，以及更好的类似 Edge/Chrome 的“朗读”功能；当前内置语音被认为已经过时。
  • 推广体验显得有些粗糙：地区限制、缺少语音类型/使用场景、需要先设置计费才能试用，以及文档不清晰或分散。