Google 发布了 Gemini 3.8 语音模型。两个数字值得记:2000+ 音色,和30 秒样本即可克隆音色。
成本已经不是约束
Simon Willison 的实测:20 秒生成 1 分 18 秒音频,约 2.74 美分。
这个量级意味着对绝大多数应用而言,语音合成的成本已经低于「把它做完」的成本。决策不再由价格驱动——这是一个阶段的结束,而不是一次功能升级。
真正该盯的是门槛
「30 秒样本即可克隆」这条才是重点,而且它决定的东西和产品体验无关:它决定的是滥用成本。
30 秒的公开音频——一段播客、一次会议发言、一条短视频——在互联网上几乎随处可得。克隆门槛降到这个长度之后,「这段话是不是本人说的」在技术上不再有默认答案。
接入之前要先有答案的事
对做产品的人来说,结论不是「赶紧接」,而是「先想清楚验证怎么做」:
- 语音身份验证:当音色不再能证明身份,用什么替代?
- 内容溯源:C2PA 之类的水印与签名,需要在上游就埋进去,事后补不了。
- 高风险场景默认拒绝:金融、客服、家庭场景里,「听起来像本人」不应该作为授权依据。
这些都需要在接入之前就有答案,而不是出事之后再补。
update 2026.09.23