Gemini 3.8 Flash TTS: Google will mit KI-Stimmen Hörbücher, Spiele und Podcasts verändern

Google stellt mit Gemini 3.8 Flash TTS und Flash-Lite TTS zwei neue Modelle zur Sprachgenerierung vor. Flash TTS soll neue Stimmen per Textbeschreibung erzeugen können. Beide Modelle unterstützen mehr als 100 Sprachen und ermöglichen Regieanweisungen für einzelne Dialogzeilen.

Die beiden Modelle bedienen laut Google unterschiedliche Einsatzbereiche. Gemini 3.8 Flash TTS richtet sich an kreative Anwendungen wie Spielecharaktere, Hörbücher oder Podcasts. Gemini 3.8 Flash-Lite TTS ist dagegen auf kosteneffiziente Sprachgenerierung in großem Umfang ausgelegt, etwa für Synchronisation, Audioinhalte oder Sprachagenten.

Flash TTS erzeugt neue Stimmen per Textbeschreibung

Mit Gemini 3.8 Flash TTS sollen Nutzer Stimmen von Grund auf entwerfen können. Rolle, Akzent und Stimmcharakteristik lassen sich laut Google per Textprompt über mehr als 100 Sprachen und Dialekte hinweg festlegen.

Ergänzend bietet Google eine Bibliothek mit mehr als 2.000 vorgefertigten Stimmen, darunter regionale Varianten wie mexikanisches Spanisch, Quebec-Französisch und schottisches Englisch. Eine Funktion zur Stimmreplikation soll zudem aus einer 30 Sekunden langen Audioprobe ein Stimmprofil erstellen können.

Dafür verlangt Google eine gesprochene Einwilligung der Person, deren Stimme nachgebildet werden soll. Diese Aufnahme muss stimmlich mit der Referenzprobe übereinstimmen. Jeder von den Gemini-Audiomodellen generierte Clip erhält laut Unternehmen außerdem ein unhörbares SynthID-Wasserzeichen, das die Erkennung künstlich erzeugter Sprache ermöglichen soll. Weitere Sicherheitsdetails stehen in der Model Card.

Eine angekündigte Funktion namens "Voice Remixing" soll es künftig erlauben, Stimmen aus der Bibliothek in Klangfarbe, Tonhöhe, Tempo und Akzent anzupassen. Sie ist noch nicht verfügbar.

Zeile-für-Zeile-Regie mit Bühnenanweisungen und nicht-verbalen Cues

Beide TTS-Modelle bieten laut Google eine detaillierte Kontrolle über die Sprachausgabe. Nutzer können eigene Regieanweisungen pro Zeile verfassen oder das Modell automatisch Script-Cues interpretieren lassen. Die Modelle unterstützen Langform-Generierung über Stunden hinweg mit laut Google minimalem "Speaker Drift", also geringer Abweichung der Stimmcharakteristik über die Zeit.

Ein Modus für zwei Stimmen ermöglicht Dialoge aus einem einzigen Skript, wobei die Stimmen klar voneinander getrennt bleiben sollen. Nichtverbale Elemente wie Lachen und Seufzen sowie bestätigende Zwischenlaute wie "mhm" lassen sich ebenfalls im Skript vorgeben, um Reaktionen und Pausen gezielt zu platzieren.

In zwei eigenen Tests mit einer vorgefertigten Stimme, die per Style-Prompt einen genervten Berliner mit dickem deutschen Akzent beim Englischsprechen imitieren sollte, lieferte die Stilsteuerung überzeugende Ergebnisse bei Akzent und Intonation. Allerdings trat in beiden Versuchen zwischenzeitlich ein hohes Fiepen im Hintergrund auf. In einem der beiden Tests wechselte zudem die Stimme am Ende der Ausgabe.

Style-Prompt: A native German man from Berlin speaking English as a foreign language, with a thick, unmistakable German accent. He is clearly not a native English speaker: he pronounces English words the German way, with German rhythm and intonation laid over English sentences. "Th" becomes "z" or "d" ("ze," "sink," "dat"), "w" becomes "v" ("vat," "vell"), and final consonants harden ("goot," "bat" for "bad"). The "r" is guttural and throaty, never the English "r." Vowels are flat and short, with no American or British softness.

The voice is nasal and slightly squeezed, mid-register, with a raspy quiver and Kermit-like wobble, but grittier and less puppet-like. It sounds like a tired Berliner at 2 AM.

Delivery: quick, clipped, choppy. He hesitates briefly when searching for an English word and sometimes drops in the German word flatly without translating it. Occasional exasperated upward pitch breaks. Dry, sardonic, unimpressed, and slightly annoyed that he has to explain anything at all, and even more annoyed that he has to do it in English.

Beide Modelle starten in der API und in Google AI Studio

Google beginnt die Bereitstellung beider Modelle über die Gemini-API und Google AI Studio. Flash TTS wird zusätzlich in Gemini Notebook angeboten, Flash-Lite TTS in Google Vids. Der Zugang über die API von Gemini Enterprise soll für beide Modelle in Kürze folgen.

Entwicklerplattformen wie Agora, LiveKit, Pipecat und Vercel unterstützen die Integration über die Gemini API. Regionale Endpunkte für die neuen Modelle listet Google noch nicht. Frühere TTS-Modelle waren auch mit Datenverarbeitung in der EU verfügbar.

Die Preise verdoppeln sich Anfang 2027

Im kostenlosen Tarif werden die Daten laut Google zur Produktverbesserung verwendet, im kostenpflichtigen Tarif dagegen nicht. Dort gelten folgende Preise in US-Dollar, jeweils pro Million Text-Tokens für die Eingabe beziehungsweise Audio-Tokens für die Ausgabe:

Laut Google entspricht eine Sekunde generiertes Audio 25 Audio-Tokens, eine Stunde damit 90.000. Bis Ende 2026 kostet eine Stunde Audioausgabe bei Flash TTS folglich 0,81 US-Dollar und bei Flash-Lite TTS 0,54 US-Dollar. Ab dem 1. Januar 2027 steigen die Kosten auf 1,62 beziehungsweise 1,08 US-Dollar. Die Texteingabe wird jeweils zusätzlich berechnet.