语音模型Gemini

Gemini 3.8 Live 与 TTS:语音 Agent 怎么接

Live 和 TTS 都能“说话”,但一个是实时双向语音 Agent,一个是把文本批量变成音频。把 Live 当 TTS 用,会多付实时连接和音频输入的钱;把 TTS 当 Live 用,则根本做不到打断和实时对话。先按交互方式选型,再看模型 ID。

发光语音球体与同心声波、悬浮录音麦克风,青色与紫色音频流

快速结论

这篇指南的直接答案是什么?

需要实时语音对话、打断、工具调用和边看边说的 Agent,用 gemini-3.8-live;需要更强的后台推理,用 gemini-3.8-live-extended-thinking。只需要把文本转成音频、做配音或批量旁白,用 gemini-3.8-flash-tts(130+ 语言、最高保真)或 gemini-3.8-flash-lite-tts(100+ 语言、批量低成本)。Live 按音频输入/输出计费,TTS 按文本输入与音频输出计费,两者都有免费层但额度不同。

购买前先记住这几点

  • Live 是实时双向语音/视觉,TTS 是文本转语音。
  • Live 模型 ID:gemini-3.8-live 与 gemini-3.8-live-extended-thinking。
  • TTS 模型 ID:gemini-3.8-flash-tts 与 gemini-3.8-flash-lite-tts。
  • Live 用 WebSocket,输入 16kHz PCM、输出 24kHz PCM。
  • TTS 支持声音设计、复刻、重混与 30 个预置声音。

直达入口:Google AI Pro 专区 · 帮助中心

Live 和 TTS 的区别是什么?

Live 是持续双向的实时语音/视觉会话,支持打断和工具调用;TTS 是一次性的文本转语音,输入文本、输出音频。

Live 适合语音助手、游戏 NPC、客服、翻译、车载和机器人等需要实时听说的场景。它保持一个状态化的 WebSocket 连接,音频、图像和文本可以连续流入。

TTS 适合有声书、旁白、广告、课程和批量语音素材。它不处理实时麦克风输入,也不支持对话中的打断;每次请求把文本合成为音频。

交互方式对比
维度Gemini 3.8 LiveGemini 3.8 TTS
输入实时音频、图像、文本文本
输出实时音频(可带文本)音频文件/流
交互双向、可打断单向合成
协议WebSocketHTTP 请求/流式
适合语音 Agent配音、旁白、批量音频

Gemini 3.8 Live 的模型 ID 和能力是什么?

官方模型页列出 gemini-3.8-live(低延迟语音 Agent 默认款)和 gemini-3.8-live-extended-thinking(带更强后台推理的语音款)。

Live API 支持 70 种语言的实时对话、打断、函数调用、Google 搜索、输入/输出转写和情感对话。输入音频为 16kHz、16-bit PCM,输出为 24kHz、16-bit PCM;图像输入上限约为 1 FPS。

生产环境建议使用临时令牌(ephemeral tokens),不要把长期 API Key 直接放到浏览器或客户端。客户端直连通常比经后端代理延迟更低,但要处理好鉴权和断线重连。

  • 低延迟对话:gemini-3.8-live。
  • 需要更强后台推理:gemini-3.8-live-extended-thinking。
  • 支持打断、工具调用、搜索与转写。
  • 音频输入 16kHz,输出 24kHz。
  • 生产环境用临时令牌,不暴露长期 Key。

两个 TTS 模型怎么选?

追求最高保真、复杂多说话人和长旁白,用 gemini-3.8-flash-tts;追求批量、低成本和常规单说话人,用 gemini-3.8-flash-lite-tts。

Flash TTS 支持 130 多种语言,定位是最高保真和表现力,适合有声书、复杂对话、方言和长内容。Flash-Lite TTS 支持 100 多种语言,定位是高吞吐批量生产、朗读功能和语音 Agent 级联。

两者共用同一套 API,都支持单说话人、多说话人、声音设计、声音复刻和声音重混。多说话人使用预置声音时最多 2 人;使用自定义或复刻声音做对话时,需要按轮次分别合成。

TTS 模型选择
项目Flash TTSFlash-Lite TTS
模型 IDgemini-3.8-flash-ttsgemini-3.8-flash-lite-tts
语言130+100+
定位最高保真、表现力批量、低成本
适合有声书、复杂对话、长旁白朗读、批量素材、语音级联
免费层标准档支持标准档支持

声音设计、复刻和多人对话怎么用?

可以用自然语言描述设计新声音,或用参考音频复刻说话人;预置声音有 30 个,扩展库可筛选语言、口音、性别和风格。

声音设计会返回可复用的 voice_ ID;声音复刻需要参考音频和同意音频,返回持久 voice_ ID 或无状态 voicekey_ ID。无状态 ID 7 天后过期,持久声音每个项目最多 200 个,最后一次使用后保留 1 年。

复刻他人声音必须获得明确授权,并遵守当地法律与 Google 的使用政策。不要把名人、客户或未成年人声音用于未授权的商业内容。

  • 预置声音:30 个精选声音。
  • 扩展库:按语言、口音、性别、音高筛选。
  • 声音设计:用文字描述生成持久声音。
  • 声音复刻:参考音频 + 同意音频。
  • 多人对话:预置声音最多 2 人。

价格和免费层怎么算?

Live 音频输入每百万 token 3 美元(约 0.005 美元/分钟),输出 12 美元(约 0.018 美元/分钟);TTS Flash 文本输入 0.50 美元、音频输出 9 美元,Lite 输出 6 美元,2027-01-01 起翻倍。

Live 还有文本输入/输出价格,搜索 grounding 在免费层也支持。TTS 按 25 个音频 token/秒计算,10 秒音频的成本可以直接按输出单价换算。

价格页显示 Live 音频输入/输出和 TTS 标准档都有免费层,但没有给出固定免费配额;实际可用量以项目配额和账单页为准。

官方价格(每百万 token,标准档)
项目输入输出备注
Live 音频$3.00$12.00约 $0.005 / $0.018 每分钟
TTS Flash$0.50$9.002027-01-01 起 $1 / $18
TTS Flash-Lite$0.50$6.002027-01-01 起 $1 / $12

接入前要检查什么?

先确认交互方式,再选模型、音频格式、鉴权、断线重连和成本上限;上线前用真实网络测试延迟与打断。

Live 的音频格式和采样率不匹配,是最常见的“能连上但没声音”原因。客户端要按 16kHz 输入、24kHz 输出处理 PCM,并处理网络抖动和重连。

TTS 要先确认输出格式:默认 WAV 带 44 字节 RIFF 头,流式默认是 headerless L16;电话场景可能需要 8kHz 的 μ-law/A-law。格式选错会导致播放器无法解码。

  1. 1确认是实时对话还是文本转语音。
  2. 2选择 Live 或 TTS 对应模型 ID。
  3. 3核对输入/输出音频格式与采样率。
  4. 4生产环境使用临时令牌,不暴露长期 Key。
  5. 5为断线、超时和重试设置上限。
  6. 6用真实网络测试延迟、打断和成本。

实时商品

文章不写死站内价格。进入商品页可查看实时售卖状态;显示暂时缺货时无法下单。

查看全部商品

价格与套餐:Gemini Pro 价格:开通包与成品号

以下页面的价格、库存与售卖状态都实时读取商品数据,可作为本文的购买与核对入口。

资料来源与复核范围

套餐和功能会变化。以下官方资料已在页面最后更新时间复核;购买前仍应打开来源查看当前版本。

  1. 1. Gemini API|Live API ↗

    核对实时语音/视觉 Agent 的协议、音频格式、语言与工具能力。

  2. 2. Gemini API|语音生成 ↗

    核对 3.8 Flash TTS、Flash-Lite TTS 的模型 ID、声音、格式与限制。

  3. 3. Gemini API|模型文档 ↗

    核对 Gemini 3.8 Live、Live Extended Thinking 与 TTS 模型的 ID 和定位。

  4. 4. Gemini API|价格 ↗

    核对 Live 音频与 TTS 的输入输出价格、免费层和调价日期。

常见问题

Gemini 3.8 Live 的模型 ID 是什么?

gemini-3.8-live;需要更强后台推理时用 gemini-3.8-live-extended-thinking。

Live 和 TTS 可以互相替代吗?

不能。Live 用于实时双向语音 Agent,TTS 用于文本转音频;交互方式和计费都不同。

TTS 支持多少种语言?

Flash TTS 支持 130 多种语言,Flash-Lite TTS 支持 100 多种语言。

声音复刻需要什么?

需要参考音频和同意音频,并取得说话人授权;复刻声音要遵守法律与 Google 政策。

Live 有免费层吗?

官方价格页显示 Live 音频输入/输出有免费层,但未公布固定配额,以项目账单页为准。

继续阅读

查看全部 →