Google 于9月23日宣布，Gemini 3.8 Flash TTS 和 Flash-Lite TTS 开始通过 Gemini API、AI Studio 向开发者逐步开放。这并不保证每个账户或地区都能立即访问。
文档列出的模型 ID 是 gemini-3.8-flash-tts 和 gemini-3.8-flash-lite-tts。新的请求格式把 input 中的 text 视为需要原样朗读的文字。
以前放在台词里的发声风格和表演指示，现在写入 speech_metadata.style。多说话人请求中，每轮通过 speech_metadata.speaker 指定说话人。留在台词中的指示可能被读出来。
音频输出也因请求方式而不同。单次请求默认返回带 RIFF 头的 audio/wav（24kHz、单声道、16位PCM），而流式请求默认返回没有文件头的 audio/l16 数据块。
两位说话人和音色复刻的范围
单次请求的多说话人合成最多支持两种预置音色。如果要让多个角色使用设计或复刻的音色，就需要分别合成各角色的台词。
默认情况下，每段单次请求 WAV 带有44字节 RIFF 头。拼接多轮语音时，应选择 audio/l16 原始 PCM，或移除每段 WAV 头后再拼接 PCM 数据。
音色复刻需要原声所有者的口头同意录音。Google 表示 AI Studio 不在伊利诺伊州、得克萨斯州、欧洲经济区、英国、瑞士和印度提供音色复刻。这并不等于所有 TTS 功能都有相同的地区限制。
迁移时要核对的音频处理路径
迁移时可以先查看台词中是否残留表演指示、是否指定每轮说话人，以及返回音频的 MIME 类型。
旧代码如果会在原始 PCM 前自行添加 WAV 头，就应避免为新版单次请求的 WAV 再添加一次。需要无头 PCM 时，可将 response_format.mime_type 设为 audio/l16。
这些是根据公开 API 文档提出的兼容性检查，并非本文实际生成或播放音频的结果。
迁移 Gemini 3.8 TTS 时，比主观音质比较更先需要确认的是指示的位置和单次、流式请求的音频格式。