Gemini 3.8 Flash TTS 发布：〈laughs〉与|mhm|标记靠离散 codec-LM 才可行

prdeepakbabu · x · 2026-09-24

Google 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS，主打更有表现力的语音：支持 100+ 语言自定义音色、2000+ 预置音色、逐行指导语气，并可在对话中生成〈laughs〉等自然提示与 |mhm| 这类附和插话，长时生成保持音色一致。

开发者 Deepak Babu Piskala 点出真正的技术看点：附和语（backchannel）必须在不抢话轮的前提下发出，mel-spectrogram 类 TTS 没有对应的 token 表示，只有离散 codec-LM TTS 才能让它可表示、可生成。他介绍其著作《Building Speech AI》第七章深入覆盖了相关内容——该书 12 章、320+ 页，每章配套可运行代码与 notebook，覆盖语音表示、识别（Whisper、wav2vec 2.0、Conformer 等）到生产级语音系统的工程权衡。