Gemini 3.8 Live 与 Flash TTS 营销人上手一周:把音频账单砍掉 95% 的那块语音拼图

周六早上我打开 Gemini API 的账单,看到七天的音频工作只花了 1.40 美元——14 条播客切片、6 条广告旁白、3 个还在 staging 的落地页语音 agent,以及一份我换成品牌声音的 12 分钟 NotebookLM Audio Overview。一年前同样体量的活儿,在 ElevenLabs 上大概要 20–40 美元。上周陆续上线的那两块拼图——9 月 15 日的 Gemini 3.8 Live 和 9 月 23 日的 Gemini 3.8 Flash TTS——悄悄改写了营销音频的成本曲线。用了一周之后,这才是比"声音设计更有表现力"那条新闻稿更值得讲的故事。

下面是我实际把它们接进流水线的几段记录。

两个版本,各两句话

我把它们放在一起讲,因为它们本来就是搭配用的。一个是你实时对话的那颗"脑",一个是你贴在文字上的那个"声"。两块拼图在八天内先后落地。

• Gemini 3.8 Live(以及 3.8 Live Extended Thinking),2026 年 9 月 15 日 GA,是 Google 的语音对语音 Live API 模型。音频入 $3 / 百万 token(约 $0.005 / 分钟),音频出 $12 / 百万 token(约 $0.018 / 分钟)。文本与图像路径分别是 $0.75 / $4.50 和 $1.00 / 百万 token。Extended Thinking 在 Artificial Analysis 的 Speech-to-Speech 榜单上排第一;Google 也报告在 Big Bench Audio 上拿了 97.7%。Live 没有缓存——每一轮会话都按完整 system prompt 付费——真正的变化是你可以把一段 10 分钟的语音会话一路挂着,后台跑多轮推理,而不是再把 STT 模型、LLM、TTS 模型拼接起来。
• Gemini 3.8 Flash TTS(以及更便宜的 Flash-Lite TTS),2026 年 9 月 23 日发布,是新的文本转语音模型。标准档 $0.50 / 百万文本输入 token,$9.00 / 百万音频输出 token,优惠到 2026 年 12 月 31 日,2027 年 1 月 1 日翻倍。音频按每秒 25 token 计费,也就是一小时语音约 $0.81。支持 130 种语言,自带 30 个预置工作室声音(Zephyr、Puck、Kore、Fenrir 等),扩展声音库 2000+ 成品声,用自然语言描述就能"造"声音,也能从参考音频克隆,还能逐行打标签控制表演、节奏、口音切换和插入语。唯一一个真正咬人的规格:单次最多两个说话人——三个人播客还是得分别合成再拼接。

最值得记住的一组价格:Live 上一通 10 分钟语音电话约 $0.23;Flash TTS 一小时合成语音约 $0.81。原来需要企业合同才做得起的"网站语音 agent + 广告旁白"整套,现在直接进得了普通预算。

这一周我改了哪几条流水线

五处真实的改线,全部在跑。

1. 播客切片生成——4 期节目切 14 条。 我把 45 分钟采访丢进 Otter 出转写,再走原来的 Opus 5.5 / Sonnet 5 栈挑钩子句和引子句。卡脖子的永远是配音:8–12 条钩子发 ElevenLabs(Creator 档 $0.18 / 千字),或者我自己录,一来一回每条 20 分钟。这一周我把切片全部扔给 Gemini 3.8 Flash TTS,逐行打节奏标签 + 一个命名好的声线("暖调女声,30 秒,口语化,带点自嘲")。14 条切片,合成约 7 分钟语音,音频输出花 $0.057,文本输入再花 $0.01。 逐行表演指令是真正的解锁点:我可以写"开头慢,第二分句加速,尾词落得像吐槽",模型真的演了出来,而不是从固定目录里挑一个"最接近的"凑合。

2. 广告旁白——Meta Advantage+ 6 个变体。 同样的结构,不同的 brief。每个变体 15 秒脚本,丢给 Flash TTS 时换不同声线人设,跑创意测试。以前的路径要么是素材库声音(受众第二条就能听出来),要么是 $300 一次配音演员约六个版本。六个变体 × 15 秒 × 25 token/秒 × $9/M,总计约 $0.20。要提前警告的是:从参考音频克隆声线涉及明确的同意问题。我只克隆自有声线(我自己的、搭档的、两个签合同的配音演员),每个产物都默认带 SynthID 水印。

3. 落地页语音 agent——3 个 staging,1 个上线。 这是 Live 真正发力的地方。以前是 Vapi / Retell / Bland 拼 STT → GPT-4o → ElevenLabs TTS,大约 $0.30–0.60 / 分钟。换到 Gemini 3.8 Live Extended Thinking,一个模型搞定语音对语音 + 后台推理,每分钟电话约 $0.023。本周 staging 流量(62 分钟测试 + 两小时 demo),总共 $1.43。坑要提前讲:Live 不支持 prompt 缓存,长 system prompt 每轮都按完整计费。指令保持紧凑,引用资料放进工具调用(用工具返回 FAQ,胜过把 4000 token 全部塞进 system prompt)。

4. 把 NotebookLM Audio Overview 换成品牌声。 NotebookLM 的 Audio Overview 是双人对谈风格的研究摘要。以前我只能接受默认声,因为没有靠谱办法"换皮"。这一周我下载了 Overview 配套的转写稿(NotebookLM 单独导出),保留编辑结构,丢给 Flash TTS,用我从一个客户 30 秒样本里"造"出来的定制人设合成。效果:把客户的研究做成播客式摘要,可以原样给他们的 CEO 听,不用附一句"AI 生成的请谨慎"。时间成本:人设设计 + 合成约 15 分钟。美元成本:约 $0.04。

5. 一波 EMEA 多语言配音。 两条 15 秒广告脚本,翻成西班牙语、法语、德语、意大利语。ElevenLabs Multilingual v2 Scale 档大约 $4–6 字符费。Flash TTS 自动识别输入 + 130 语言支持,8 条配音总计约 $0.18。逐行指令让不同语言版本保留同一套表演风格——德语版听起来不像"翻译过来的",像"德国本地广告"。

营销人栈里,这两块接得住的五件事

跑了一周,我会继续把以下这些留在 Gemini 这套组合上。

1. 落地页语音 agent 这条线。 凡是 Offer 复杂到表单像摩擦的场景——SaaS 定价、B2B 服务、高客单电商——Live Extended Thinking 每分钟约 $0.023,大约是之前 Vapi / Retell 栈每分钟成本的十分之一。Extended Thinking 那档关键,因为这是 Artificial Analysis Speech-to-Speech 榜单第一;非 thinking 版能应付简单 FAQ,但多步推理一上来就会跑神。

2. 播客片头片尾 + 切片旁白。 "用自然语言描述就能造声"这个能力,在你已经用素材库声音用了很多年、又不想再约一次录音的时候,真的有用。逐行指令把"开头慢、落点像吐槽"这种以前按条收费的事直接干掉。

3. 批量多语言广告配音。 一波 5–10 个市场上线的活动,Flash TTS $9 / M 音频出很难被打败。自动识别输入经常省掉一个翻译预处理;即便预先翻译,每个语言版本的单位成本也只是 ElevenLabs Multilingual 的十分之一左右。

4. NotebookLM Audio Overview 换皮。 如果你已经在用 NotebookLM 做研究综合(你真该用),默认那两个主播声第二次听就穿帮。Flash TTS 换皮是"AI 播客"和"你这个品牌的播客"的分水岭。

5. 视频广告里 60 秒旁白。 你在用 Seedance 2.5 或 Sora 2 出片,最后还是要旁白。Flash TTS 每分钟 $0.0135,比 ElevenLabs Creator 便宜 10–20 倍,逐行指令覆盖"播音员 vs 聊天 vs 耳语"三种调性,以前这三种得约三个配音演员。

三件事,继续留给别的工具

不是所有音频活儿本周都该搬去 Google。

1. 30 分钟音频剧 / 长篇有声书。 单次最多两个说话人就是死结。三人播客还得分别合成再拼接,接缝能听出来。长篇这块,ElevenLabs Projects 或者真配音演员,目前还更顺。

2. "必须听起来就是这个人"的克隆声。 ElevenLabs 的克隆在保真度上还压过 Flash TTS——第二分钟的杂音更少,呼吸和停顿处理更细。如果活动必须用某个具体的人(创始人、签了合同的明星),这一档继续留在 ElevenLabs Professional Voice Cloning。其它用 Flash TTS。

3. 超低延迟轮流对话。 如果你的语音 agent 需要 300 毫秒以下的拟真打断感,Live 的往返不差但不是顶——Grok Voice Agent 和 OpenAI Realtime 在纯对话速度上还赢。Live 赢在后台推理,不一定赢在原始对话的"脆"。

算账,三行

一个营销团队一周出 50 分钟音频(切片、旁白、短语音 agent):

• ElevenLabs Creator $5 / 月(100K 字符,约 30 分钟语音):$5 / 月
• Gemini 3.8 Flash TTS 标准档约 $0.0135 / 分钟:约 $0.68 / 月
• Gemini 3.8 Live 给语音 agent,50 分钟测试/demo 流量:约 $1.15 / 月

合计:一个月音频栈不到 $2,对比同样体量在 ElevenLabs Scale 档需要 $30+。代价——你知道一定有——是 2027 年 1 月 1 日两边价格翻倍。提前规划:今天基于 Flash TTS 搭的生产配音流水线,要么把这个台阶算进单位经济模型,要么在 Q4 前设计一个多供应商轮换。

一周下来的路由原则

Live Extended Thinking 用于任何需要"边对话边思考"的活儿——落地页语音 agent、客服分层、互动 demo。Flash TTS 用于任何"文本 → 音频"、不要对话的活儿——播客切片、广告旁白、有声书、NotebookLM 换皮。ElevenLabs Projects 留给多人长篇、接缝重要的场景。Grok Voice Agent 留给 300 毫秒以下对话延迟的活儿。

一个有用的心智模型:把 Live 想象成放进呼叫中心的那颗模型,把 Flash TTS 想象成放进录音棚的那颗模型。它们和上一代栈的成本差距,大到几乎所有 $10K 投放以下的 Campaign 都不用再问"这场活动要不要有语音露出",答案默认变成了要。这才是第一周真正该带走的结论。