Create Speaker 要付費，API 卻還有免費額度：Gemini 3.8 Flash TTS 聲音複製

Read in English→

AI Studio 裡的 Create Speaker 要付費才開得了。我盯著那面牆看了一下，然後改走另一條路：直接調 Gemini 3.8 Flash TTS 的 API。

同一套官方 Voice Replication，瀏覽器介面被擋，API 卻還留著免費額度——社群實測大約每天 10 次（以帳號實際 rate limit 為準）。更意外的是，加上台灣國語的風格提示之後，口音比我預期的自然。

同一套音色複製，兩條路：AI Studio 可能要付費，Gemini API 仍常有免費額度

所以這篇不是「再買一個 TTS 訂閱」，而是：官方文件怎麼走、我把流程包成什麼工具、以及一段我自己的聲音對照。

開源工具：本機 Create Speaker

我把官方流程收成一個本機網頁工具：

github.com/dAAAb/gemini-3.8-flash-tts-voice-clone

它做的事很單純——你自己貼 Google AI Studio 的 API key，上傳參考音與同意聲明音，輸入要唸的文字，它幫你呼叫：

步驟	做什麼
Clone	`POST /v1beta/voices`，`type=replicated`
Speak	`generateContent`，`response_modalities=["AUDIO"]`
模型	預設 `gemini-3.8-flash-tts`（可改 Lite）

Key、上傳檔、輸出 WAV、本機 speaker profile 都留在你的機器上，repo 裡沒有這些東西。這點很重要：音色檔跟金鑰不該進 git。

官方要的是兩段音，不是一段

文件寫得很清楚。每一筆 CreateVoice 都要同一位成年人的兩段真人錄音（建議轉成 24 kHz mono 16-bit WAV）：

參考音 source_audio：約 10–30 秒乾淨、自然的說話。
同意聲明 consent_audio：同一個人，把官方句子逐字唸完。

這篇只公開參考音。同意聲明音檔我刻意不附——那是給 Google 驗證「你是這把聲音的擁有者」用的，不該公開流傳。

官方 Voice Replication：參考音加同意聲明，再進 Voices API

社群上偶爾會看到「只丟一段音、再跟模型聊天」的捷徑。那是另一條多模態對話路徑，不是官方 Voice Replication。這支工具走的是文件上的兩段音＋ Voices API。

目前同意聲明的 locale 表裡沒有 zh-TW。台灣使用者比較務實的做法，是把 en-US 那句唸清楚（或用 zh-CN 簡體句），再在合成時用台灣國語的 style prompt。官方英文句是：

I am the owner of this voice and I consent to Google using this voice to create a synthetic voice model.

簡體中文句是：

我是此声音的拥有者并授权谷歌使用此声音创建语音合成模型

兩段音最好用同一支麥克風、同一間房間。文件也提醒：背景雜音、回音、音樂、疊人聲，都會讓驗證或複製品質變差。

先聽：我的參考音 vs 複製結果

參考音是我自己錄的 LOCAL.m4a，約 24 秒。複製結果是 Gemini 3.8 Flash TTS 吐出來的 WAV，約 6 秒。

參考音與複製結果的波形對照

參考音（LOCAL.m4a，約 24 秒）

下載 reference-LOCAL.m4a

複製結果（generated-sample.wav，約 6 秒）

下載 generated-sample.wav

我的判斷很主觀：音色貼得住，台灣口音沒有被拉去對岸。免費額度換到這個品質，夠拿來做 Agent 旁白、立法筆記朗讀、或自己的數位分身草稿。

怎麼跑

需要 Python 3.10+，以及在 PATH 上的 ffmpeg / ffprobe。

git clone https://github.com/dAAAb/gemini-3.8-flash-tts-voice-clone.git
cd gemini-3.8-flash-tts-voice-clone

python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

# 可選：把金鑰放進 .env，不要 commit
cp .env.example .env

python app.py

瀏覽器開 http://127.0.0.1:7860，貼上 API key，上傳參考音與同意聲明，輸入要說的文字，按生成。試聽與下載會落在本機 outputs/。

金鑰也可以只活在瀏覽器 localStorage；不要把它寫進 repo、截圖或聊天紀錄。

使用前先看這些限制

額度很小。 免費層的 TTS / Voice Replication 每天次數常見落在約 10 次。實際數字看 AI Studio → Usage & Billing → Rate limits。先想好要唸的句子，再按產生。
同意聲明 locale 沒有台灣正體。 目前表上是 en-US、zh-CN 等，沒有 zh-TW。這不表示合成不能用台灣口音，只表示驗證句要走已支援的 locale。
金鑰、音色、profile 都不進 git。 .env、參考音、同意聲明、輸出 WAV、本機 profile（可能含語音代號）都該留在本機。這篇文章也不放這些東西。
要有合法同意。 只能複製你擁有、且依法可授權的聲音。未經同意去複製別人的聲音，是法律問題，不是技術問題。遵循 Google 條款與當地法令。

官方文件入口：Gemini 3.8 Flash TTS、Voice replication。

小結

付費牆擋的是 AI Studio 的按鈕，不是 API 本身。免費額度不大，但夠驗證一件事：官方 Voice Replication 加上台灣口音提示，已經能交出可以公開給大家聽的樣本。

工具在這裡：dAAAb/gemini-3.8-flash-tts-voice-clone。MIT，自己的 key、自己的聲音、自己的機器。