Gemini 3.8 TTS lar deg designe stemmen med en tekstprompt

Hvis du lager lydbøker, dubbing eller taleagenter, kan Gemini 3.8 TTS nå designe en ny stemme fra en vanlig tekstbeskrivelse – og bruke den samme stemmen igjen senere. Du kan beskrive rolle, aksent og stemmepreg, lagre resultatet som en egen stemme og styre fremføringen linje for linje.

Google deler lanseringen i to modeller. Gemini 3.8 Flash TTS er kvalitetsmodellen for skuespill, dialekter, krevende uttale og lange produksjoner. Gemini 3.8 Flash-Lite TTS prioriterer lavere pris, høy kapasitet og kort ventetid for blant annet dubbing, opplesning og taleagenter.

Det er en fornuftig arbeidsdeling. Den viktigste nyheten er ikke at Google topper enda en måling, men at stemmedesign, regi, gjenbruk og produksjon nå henger sammen i samme API. Du kan prøve begge i Google AI Studio, og modellene er tilgjengelige gjennom Gemini API.

Hva er nytt i Gemini 3.8 TTS?

Gemini 3.8 TTS er Googles nye familie for kontrollert tekst til tale. Flash støtter 130 språk, mens Flash-Lite støtter 101. Begge dekker bokmål og nynorsk, bruker samme API-struktur og kan lage både én og to talere, ifølge Googles TTS-dokumentasjon.

Voice design lar deg opprette en stemme ved å beskrive hvem den skal høres ut som. En prompt kan for eksempel angi en varm forteller, en energisk programleder fra Melbourne eller en lavmælt figur med bestemt rytme og regionalt preg. API-et returnerer en stemme-ID som kan lagres og brukes på nytt, i stedet for at hele rollebeskrivelsen må sendes med hver replikk.

Du får også et bibliotek med mer enn 2 000 produksjonsklare stemmer. Google fremhever regionale varianter som meksikansk spansk, fransk fra Quebec og skotsk engelsk. Senere skal voice remixing la deg justere klang, tonehøyde, tempo og aksent på en biblioteksstemme med en prompt, men den funksjonen er ikke ferdig ennå.

Stemmekopiering er en egen funksjon. Google oppgir at den kan bygge en konsistent stemmeprofil fra et 30 sekunder langt lydopptak, men krever et muntlig samtykkeopptak fra stemmeeieren. Den offisielle lanseringen sier også at kopiering i Google AI Studio ikke er tilgjengelig i EØS, Storbritannia, Sveits, India, Illinois eller Texas. Norske brukere bør altså ikke planlegge en AI Studio-arbeidsflyt rundt den funksjonen uten å kontrollere den faktiske tilgangen først.

Hva er forskjellen på Flash og Flash-Lite?

Velg Gemini 3.8 Flash TTS når lydkvalitet, stabilt stemmepreg og presis regi veier tyngst. Velg Flash-Lite når du skal produsere mye lyd, trenger lavere forsinkelse eller bygger en taleagent der hvert sekund og hvert øre gjentas tusenvis av ganger.

Flash er laget for lydbøker, studiopreget fortellerstemme, komplisert dialog med to talere, krevende uttale og regionale dialekter. Den støtter 130 språk og er også modellen Google anbefaler når du bruker mange markører for latter, sukk, pust og andre korte vokale hendelser.

Flash-Lite dekker 101 språk og er ment som den direkte arbeidshesten etter gemini-3.1-flash-tts-preview. Den passer bedre til masseproduksjon, opplesningsfunksjoner, vanlige enstemmede opptak og taleagenter der lav ventetid og pris betyr mer enn maksimal skuespillerkontroll. Begge modellene støtter stemmedesign og stemmekopiering, så Lite er ikke en ribbet variant med bare noen ferdigstemmer.

Modellene bruker samme skjema og promptformat. Dermed kan du bytte mellom gemini-3.8-flash-tts og gemini-3.8-flash-lite-tts med én modellparameter. Det gjør en A/B-test langt mer nyttig enn en generell anbefaling: Kjør de samme norske manusene gjennom begge, og mål uttale, stabilitet, ventetid og kostnad i den faktiske arbeidsflyten.

Som støtte for kvalitetsdelen viser Google til en score på 71,4 og førsteplass for Flash i Hume AIs Voice Design Benchmark. Flash leder også aksentmålingen med 60,8, mens Flash og Flash-Lite tar første- og andreplass i Humes samlede kvalitetsindeks. Det er gode signaler, men fortsatt målinger presentert av leverandøren. Egne norske manus er viktigere enn en pallplass.

Hvordan styrer du stemmen og fremføringen?

Gemini 3.8 skiller selve stemmeidentiteten fra regien i hver replikk. Den varige figuren lages i Voice design og gjenbrukes med en voice_...-ID. Midlertidige instrukser som «rolig og vennlig», «hviskende» eller «andpusten» legges i speech_metadata.style for den aktuelle tekstblokken.

Korte hendelser kan stå i selve manuset med markører som <laugh>, <sigh>, <cough>, <breath> og <short pause>. Modellen kan også bruke korte lytterreaksjoner og overlappende replikkbiter for å få en samtale til å høres mindre ut som to roboter som pent venter på tur.

For dialog støtter én forespørsel opptil to talere med ferdigstemmer. Vil du bruke to egne designede eller kopierte stemmer i samme scene, må hver talers replikk genereres separat og 24 kHz PCM-rammene settes sammen etterpå. Det er en viktig begrensning for alle som ser «to talere» og antar at enhver stemmekombinasjon virker i ett kall.

Google sier at Flash kan holde stemme, tempo og romklang stabile gjennom timer med lyd. Det er en stor påstand, og nettopp derfor bør den testes med lange norske manus, ikke bare en pen demo på tre setninger. Del teksten i naturlige deler, lytt etter gradvis endring i stemmepreg og sjekk navn, tall og engelske fagord før du automatiserer hele produksjonen.

Hva koster Gemini 3.8 Flash TTS?

Frem til 31. desember 2026 koster standardbruk av Flash 0,50 dollar per million teksttoken inn og 9 dollar per million lydtoken ut. Flash-Lite har samme inputpris, men koster 6 dollar per million lydtoken ut. Med omtrent 9,3 kroner per dollar er det cirka 4,70 kroner per million teksttoken, 84 kroner per million lydtoken for Flash og 56 kroner for Flash-Lite.

Det siste regnestykket trenger en viktig presisering: Google bruker 25 lydtoken per sekund. Det gir omtrent 1 500 lydtoken per minutt, eller rundt 13 øre per generert minutt med Flash og 8 øre med Flash-Lite. Tekstinput kommer i tillegg, men vil normalt utgjøre lite sammenlignet med lyden.

Googles pristabell viser også en gratisnivå der data kan brukes til å forbedre produktene, mens betalt nivå er merket med at data ikke brukes til dette. Batch og Flex halverer lydprisen til henholdsvis 4,50 og 3 dollar per million token. Det passer godt til dubbing og ferdige lydproduksjoner som ikke trenger svar med én gang.

Prisene er introduksjonspriser. Fra 1. januar 2027 dobles standardprisen til 18 dollar per million lydtoken for Flash og 12 dollar for Flash-Lite. Det betyr rundt 25 og 17 øre per minutt med samme omtrentlige dollarkurs. Bygger du et produkt nå, bør 2027-prisen inn i regnearket med én gang. Ellers er det fort gjort å optimalisere hele løsningen rundt en rabatt som forsvinner etter nyttår.

Hva må endres fra Gemini 3.1 TTS?

Ved migrering må vedvarende instruksjoner flyttes ut av den vanlige teksten og inn i speech_metadata. Gemini 3.8 behandler tekstfeltet som et ordrett manus. Lar du «Say cheerfully: Hello» eller et talernavn stå som vanlig tekst, kan modellen lese instruksen høyt. Løsningen er å legge style og speaker i metadata og bare la ordene som faktisk skal sies stå i tekstfeltet.

Hver replikk i en forespørsel med flere talere må ha et speaker-felt som samsvarer med en konfigurert taler. Korte vokale hendelser kan fortsatt stå i vinkelparenteser i teksten, men applaus, dunk og andre lydeffekter er ikke det samme som vokale markører. De bør håndteres som egne lydressurser.

Den andre klassiske fellen er lydformatet. Eldre preview-modeller leverte rå PCM som standard, mens Gemini 3.8 returnerer en ferdig WAV-fil med RIFF-header. Hvis gammel kode pakker svaret inn i enda en WAV-header, får du en ødelagt eller feilaktig lydfil. Fjern den manuelle innpakkingen og skriv byteinnholdet direkte til .wav, eller be uttrykkelig om audio/l16, audio/mulaw eller audio/alaw dersom resten av systemet krever rå lyd.

Lagring har også grenser. Et prosjekt kan ha opptil 200 lagrede, designede eller kopierte stemmer, og disse har ett års levetid. Midlertidige voicekey_...-nøkler varer i sju dager. Dette er ikke detaljer du vil oppdage når en produksjonsstemme plutselig mangler, så legg levetid og fornyelse inn i driften fra starten.

Er dette relevant for norske brukere?

Ja. Både bokmål og nynorsk står i de offisielle språklistene for Flash og Flash-Lite. Sammen med promptbasert stemmedesign, lave minuttpriser og samme API for begge kvalitetsnivåer gjør det modellene relevante for norske opplesninger, podkastproduksjon, dubbing og taleagenter.

Språkstøtte på en liste er likevel ikke en kvalitetsgaranti. Norske stedsnavn, dialektønsker, sammensatte ord og blandingen av norsk og engelsk i tech-manus er en langt bedre prøve. Lag et fast testmanus med tall, datoer, forkortelser, produktnavn og navn fra området du faktisk skal dekke. Sammenlign deretter både stemme og transkripsjon av resultatet.

Gemini 3.1 Flash Live viste hvordan Google satser på sanntids tale i API-et. TTS-modellene løser en annen jobb: De skal lese et bestemt manus nøyaktig med kontrollert fremføring. Skal brukeren snakke fritt frem og tilbake med modellen, er Live API riktig spor. Skal du produsere regi på et ferdig manus, er TTS riktig verktøy.

Min foreløpige dom er positiv. Google har gjort mer enn å legge til flere ferdigstemmer: Nå kan du designe en stemme, lagre den, regissere hver replikk og velge mellom kvalitet og volum uten å bygge om integrasjonen. Jeg ville startet i AI Studio med et krevende norsk manus, valgt Flash som kvalitetsreferanse og deretter sett hvor mye Flash-Lite faktisk gir fra seg. Kan Lite levere godt nok, er prisforskjellen verdt å ta med videre.

Ofte stilte spørsmål

Støtter Gemini 3.8 TTS norsk?

Ja. Både Gemini 3.8 Flash TTS og Flash-Lite TTS støtter norsk bokmål og nynorsk. Flash dekker totalt 130 språk, mens Flash-Lite dekker 101. Test likevel egne navn, fagord, tall og dialektønsker før modellen brukes i produksjon.

Hvor mye koster ett minutt med Gemini 3.8 TTS?

Med standardprisene frem til 31. desember 2026 koster generert lyd omtrent 13 øre per minutt med Flash og 8 øre med Flash-Lite, basert på 25 lydtoken per sekund og en dollarkurs rundt 9,3 kroner. Tekstinput kommer i tillegg.

Kan Gemini 3.8 kopiere stemmen min?

Ja, Google beskriver stemmekopiering fra et 30 sekunder langt opptak og krever et samsvarende muntlig samtykke. Funksjonen er imidlertid ikke tilgjengelig i Google AI Studio i EØS, så norske brukere må kontrollere tilgang og vilkår før de planlegger løsningen.

Bør jeg velge Flash eller Flash-Lite til en taleagent?

Start med Flash-Lite når lav ventetid, høy kapasitet og pris er viktigst. Velg Flash når vanskelig uttale, dialekter, skuespill eller stabilitet i lange opptak veier tyngre. Modellene bruker samme API-struktur, så den beste avgjørelsen kommer fra en A/B-test med egne norske manus.