講台語也能通：Gemini 3.8 Flash TTS 實測
Google 在 2026 年 9 月推出 gemini-3.8-flash-tts 和 gemini-3.8-flash-lite-tts 兩個語音合成模型。我用 Gemini API 實際呼叫，每題兩個模型各產一次，想知道兩件事：台灣華語聽起來像不像台灣人？能不能講台語？
判讀方式有兩套：一是讓 Gemini 3.8 Flash 在沒看到原稿的情況下盲聽，二是用自架的 whisper 做獨立轉寫，交叉比對。這兩套都是機器判讀，最後還是要人耳聽過才算數，所以每段樣本都附在文中，大家可以自己聽。
結論
- 台灣華語：可用。兩個模型都判定為台灣口音，不捲舌、沒有兒化音。垃圾 lèsè、企 qì、危 wéi 都照台灣讀法唸。
- 台語（閩南語）：有，但官方沒寫。語言清單只列 Chinese (Hant)/(Hans) 和 Cantonese，沒有台語。實測輸入台文漢字或台羅拼音，都會唸成台語。
- 台語的聲調與變調：需要人耳確認。只有 AI 裁判說道地，沒有經過母語者審聽。「用華語唸」的負控也被唸成台語，表示遇到台文漢字時很難叫它改唸華語。
- 台語可以換角色：6 個不同聲音都唸成台語，阿公和孫女的雙人台語對話也做得出來。年齡主要看挑哪個 voice，用 style 描述拉不太動。
兩個模型
| 3.8 Flash TTS | 3.8 Flash-Lite TTS | |
|---|---|---|
| Model ID | gemini-3.8-flash-tts | gemini-3.8-flash-lite-tts |
| 定位 | 錄音室等級，情緒演出、雙人對話、方言演出、長篇 | 量大、低延遲，給 voice agent、客服、朗讀、配音 |
| 語言數 | 130 | 101 |
| 輸出音訊 / 1M tokens | $9（2027 起 $18） | $6（2027 起 $12） |
| 輸入文字 / 1M tokens | $0.50（2027 起 $1.00），兩者相同，沒有免費層 | |
| 換算每分鐘語音 | 約 US$0.017（實測約 32 audio tokens/秒） | 約 US$0.011 |
| 本次實測延遲 | 6.5–7.8 秒產出 7–12 秒音檔 | 6.2–7.8 秒，沒有明顯比較快 |
- 新 API 是
POST /v1beta/interactions，預設輸出 24 kHz、mono、16-bit 的 WAV，舊模型是 raw PCM，現有 pipeline 要調整。 - 聲音庫從 30 個擴到 2,089 個，但我把
GET /v1beta/voices全部拉下來看，30 種語系裡沒有任何中文 voice（zh-TW、cmn-CN、yue 都沒有）。中文只能用 30 個基本 voice（Kore、Leda、Aoede…），加上 style 描述、voice design 或 30 秒聲音複製。 - 新功能：用文字描述設計聲音、30 秒樣本複製聲音、逐句情緒指示、笑聲/嘆氣等效果、雙人對話可插話附和。
- 兩個模型的 API 格式完全一樣，只要換 model 字串就能切換。
樣本
每題上下兩個播放器分別是 Flash 和 Flash-Lite。「盲聽」是 Gemini 3.8 Flash 在沒看到原稿的情況下判讀；「whisper」是華語 ASR 的轉寫。台語音檔送進華語 ASR，會被翻成華語或出現諧音字，這本身就是它唸成台語的證據。
1. 新聞播報（台灣華語）
各位觀眾晚安，歡迎收看晚間新聞。中央氣象署表示，受到東北季風影響，明天北台灣氣溫將明顯下降，民眾出門記得多加一件外套。
style：台灣電視新聞主播，台灣國語 · voice Kore
Flash
Flash-Lite
盲聽：兩者都判定台灣國語新聞腔，自然度 Flash 4 / Lite 5。
2. 口語閒聊（台灣華語）
欸你等一下下班要不要一起去吃宵夜？我知道捷運站旁邊有一家滷肉飯超好吃的，吃完再去便利商店買個飲料，好不好嘛？
style：台北年輕女生跟朋友聊天 · voice Leda
Flash
Flash-Lite
盲聽：兩者自然度都是 5。Flash 自己多加了兩個「欸」，演出比較活潑。
3. 台灣讀音陷阱字（Lite 的「和」唸錯）
我和你星期五一起去倒垃圾，順便研究一下這家企業的危機處理，還有頭髮到底要不要剪。
style：要求照台灣讀法（和 hàn、垃圾 lèsè、企 qì、危 wéi、研 yán）· voice Charon
Flash
Flash-Lite
盲聽：Flash 全部照台灣讀法唸。Lite 其他字都對，只有「和」唸成 hé。Flash 的自然度被評為 3，聽起來偏機械。
4. 台語（台文漢字輸入）
逐家好，今仔日天氣真好。阮阿母欲去菜市仔買菜，順紲買一寡果子轉來予囡仔食。
style：全程用台語，南部阿嬤口吻，不要唸成華語 · voice Aoede
Flash
Flash-Lite
盲聽：兩者都判定 100% 台語。Flash 自己加了「喔、啊」等語助詞，Lite 把「阿母」轉寫成「阿媽」。
whisper（Flash）：「大家好，今天天气真好，我阿母啊买去菜市买菜，顺便买一些高纸回来给小孩吃」。華語 ASR 把它翻成華語，「果子」kué-tsí 被聽成「高纸」，是台語發音的痕跡。
5. 台語（台羅拼音輸入）
Ta̍k-ke hó, kin-á-ji̍t thinn-khì tsin hó. Guán a-bú beh khì tshài-tshī-á bué tshài, sūn-suà bué tsi̍t-kuá kué-tsí tńg--lâi hōo gín-á tsia̍h.
style：這是台羅拼音，請用道地台語加正確聲調唸 · voice Aoede
Flash
Flash-Lite
盲聽：兩者都判定 100% 台語，自然度 5，盲聽轉寫出來的台文漢字跟原意完全一致。拼音輸入沒有被唸成英文。
whisper：「粿子」「貴雞」（kué-tsí 的諧音），同樣是台語發音的痕跡。
6. 華台夾雜（Flash 較好）
今天開會老闆又在那邊講，歹勢啦我遲到了，啊就塞車塞甲欲死，莫怪我啦。
style：台灣上班族華台自然切換，「歹勢、塞甲欲死、莫怪」用台語 · voice Puck
Flash
Flash-Lite
盲聽：Flash 有約 30% 台語，但「歹勢」被聽成「代誌大矣」，可能唸錯或改詞。Lite 只有約 10% 台語，「欲死」「莫怪」用華語音唸台語詞。夾雜句最不穩定。
負控 A：台文漢字，要求用華語唸（結果照樣唸成台語）
文字同第 4 題，style 改成「Read these characters in standard Mandarin」，只測 Flash。
Flash
用意：確認裁判不是看到台文字就回答「台語」。結果盲聽仍判定為台語，whisper 也聽出「阿部」(a-bú)、「粿子」。所以是 TTS 無視指示、照樣唸台語，裁判沒有判錯。實務上要讓台文漢字用華語唸，得先改寫成華語。
負控 B：同一段新聞，北京腔（裁判分得出來）
文字同第 1 題，style 改成「CCTV 北京主播，捲舌 + 兒化」，只測 Flash。
Flash
用意：確認裁判能分辨台灣腔和北京腔。結果判定為 Mainland Putonghua、捲舌明顯，表示前面「台灣華語」的判定有鑑別力。同時也證明 style 真的能切換腔調。
7. 台語多角色（換聲音、換角色、雙人對話）
9 月 30 日補測。前面台語只用了 Aoede 一個聲音，這次換 6 個基本 voice，用 style 描述不同角色，文字同第 4 題，只測 Flash；最後再做一段阿公和孫女的雙人台語對話。判讀一樣是 Gemini 3.8 Flash 盲聽。
逐家好，今仔日天氣真好。阮阿母欲去菜市仔買菜，順紲買一寡果子轉來予囡仔食。
阿公 · Charon
style：全程用台語，七十幾歲的阿公，聲音沙啞、講話慢慢仔，不要唸成華語
盲聽：100% 台語；聽起來男、中年；自然度 5。style 寫七十幾歲，聽起來只到中年。
少年仔 · Puck
style：全程用台語，二十歲少年仔，講話緊閣有元氣，不要唸成華語
盲聽：100% 台語；聽起來男、青年；自然度 3。「今仔日」漏唸成「今仔」。
查某囡仔 · Leda
style：全程用台語，十幾歲的查某囡仔，聲音幼秀、活潑，不要唸成華語
盲聽：100% 台語；聽起來女、青年；自然度 3。「菜市仔」被聽成「菜市場」。
菜市仔頭家 · Fenrir
style：全程用台語，菜市仔喊賣的中年頭家，大聲、熱情，不要唸成華語
盲聽：100% 台語；聽起來男、青年；自然度 5。發音清楚，語調自然。
講古老先生 · Algenib
style：全程用台語，廟口講古的老先生，抑揚頓挫、戲劇性，不要唸成華語
盲聽：100% 台語；聽起來男、中年；自然度 3。句尾「囡仔」唸歪。
電台主持人 · Pulcherrima（中性）
style：全程用台語，溫和的電台主持人，不要唸成華語
盲聽：100% 台語；聽起來男；自然度 2。最機械，「果子」被聽成「糕仔」。
雙人對話（conversational 模式，阿公 Charon × 孫女 Leda）
阿公：阿妹仔，你今仔日學校有乖無？
孫女：有啦！阿公，老師今仔日閣呵咾我呢。
阿公：按呢足好，阿公來煮一碗麵線予你食。
孫女：多謝阿公，我上愛食阿公煮的麵線矣！
盲聽：100% 台語，兩個角色分別判定為老年男性（阿公）和兒童女性（孫子），自然度 4，像教材或廣播劇的配音。
結果：6 個聲音全部唸成台語，換聲音不會掉回華語，要男聲女聲挑對應的 voice 就好。年齡主要跟著 voice 走，style 寫「七十幾歲」拉不太動，單獨唸只被聽成中年；放進對話裡跟孫女對比，才被聽成老年。自然度差很多，Charon、Fenrir 最好，中性的 Pulcherrima 最機械。雙人台語對話可以做，但一次最多兩人，三人以上要分段合成再接起來。
建議
- 台灣華語旁白、客服：預設用 Flash-Lite，最便宜，腔調也對。遇到「和」這類多音字，改用 Flash 或在文字裡換詞。
- 台語內容：用 Flash，輸入台文漢字或台羅都可以，台羅最不會歧義。正式上線前一定要找母語者聽聲調和變調，官方沒有列台語，不保證穩定。聲音先從 Charon、Fenrir 挑，實測最自然。
- 跟自架方案比：開源 CosyVoice 的「闽南话」模式是帶閩南腔的華語，不是真台語。Gemini 3.8 在這點明顯比較強，但要付費、資料會送到 Google。
來源：Google blog 發表文 · Speech generation 文件 · Flash-Lite TTS 模型頁 · 定價。本文所有樣本總花費不到 US$0.05。