AINotes 101
菜单
Radar / 工具 / 正文

Google 发布 Gemini 3.8 语音模型:2000+ 音色,30 秒样本即可克隆音色

2026.09.23 Tooling 今天就能用上什么

成本已经低到不再是约束——实测 20 秒生成 1 分 18 秒音频、约 2.74 美分;真正该盯的是「30 秒样本即可克隆」这条门槛,它决定的是滥用成本,而不是产品体验。

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