商傳媒｜何映辰／台北報導
Google 近期在人工智慧（AI）語音功能方面取得顯著進展，不僅推出一系列全新的文字轉語音（text-to-speech，簡稱 TTS）模型，更發表可進行即時對話的虛擬分身技術，有望提升人機互動的自然度與應用廣度。
Google 於 9 月 23 日推出 Gemini 3.8 TTS 及 Gemini 3.8 Flash-Lite TTS 等新模型，旨在為開發者、內容創作者及企業提供更高品質、更具表現力的人工語音。其中，Gemini 3.8 Flash TTS 能夠透過自然語言提示，在遊戲、有聲書、Podcast 及互動媒體等多種應用場景中，從零開始創造全新語音，並能自訂角色、口音及聲音特徵，支援超過 100 種語言及方言。至於 Gemini 3.8 Flash-Lite TTS 則專為音訊配音、內容創作及語音助理等用途設計。
此外，Google 也發表了 Gemini 3.8 Live 版本，並導入「Live Avatar」（即時虛擬分身）功能，讓使用者能與具備唇形同步與臉部表情的動畫虛擬人進行即時對話。Live Avatar 不僅支援 97 種語言間的無縫轉換，且畫面品質不減損，還能在說話時同步顯示螢幕資訊。為確保內容真實性，Live Avatar 的產出會內嵌隱形 SynthID 浮水印。
在實際應用方面，Google 正於美國 Pixel 11 手機上推出一項「早期實驗」功能，讓用戶能委託 Gemini 代為撥打商家電話。這項功能今日（週四）起陸續推出，Gemini 能處理預約、查詢商品庫存或更改行程等任務。過程中，使用者可即時查看對話逐字稿，並隨時接管對話。儘管 ElevenLabs 和 Baseten 等業者已提供類似的語音技術，Futurum Group 分析師 Bradley Shimmin 認為，Google 的新模型透過專注於特定應用場景，為遊戲及娛樂市場開創了新機會。Modulate 執行長 Carter Huffman 也指出，將語音功能整合至單一、全面的模型，能大幅提升效率。
這些技術的演進，對於台灣的語音助理、有聲內容創作及數位娛樂產業而言，有望提升人機互動的真實感與效率，為未來的語音應用開啟更多可能性。