WEBVTT
Kind: captions
Language: zh

00:00:00.166 --> 00:00:01.933
Google正在把两样过去分开

00:00:01.933 --> 00:00:04.866
收费分开学习分开折腾的

00:00:04.866 --> 00:00:07.300
东西塞进同一个AI入口

00:00:07.533 --> 00:00:09.100
一边是能设计角色

00:00:09.300 --> 00:00:10.766
复制授权声音

00:00:10.933 --> 00:00:14.366
连续讲几小时的Gemini3.8 Flash TTS

00:00:14.666 --> 00:00:16.733
另一边是Google AI订阅

00:00:16.733 --> 00:00:18.466
新增的Colab算力权益

00:00:18.533 --> 00:00:20.500
一个负责把内容说出来

00:00:20.666 --> 00:00:23.566
一个负责让用户有地方运行模型

00:00:23.800 --> 00:00:24.800
问题来了

00:00:25.166 --> 00:00:27.700
Google卖的还是一个聊天机器人订阅

00:00:27.966 --> 00:00:30.966
还是一套正在成型的个人AI工作室

00:00:31.200 --> 00:00:34.966
Gemini3.8 Flash TTS最容易被理解成

00:00:34.966 --> 00:00:37.600
Google又升级了文字转语音

00:00:37.933 --> 00:00:38.900
这句话没错

00:00:38.900 --> 00:00:40.500
却会漏掉这次更新

00:00:40.500 --> 00:00:42.500
真正改变工作流的部分

00:00:43.100 --> 00:00:46.166
过去的TTS通常让用户从一组固定

00:00:46.166 --> 00:00:49.933
音色里挑一个再调语速音高和停顿

00:00:50.133 --> 00:00:52.000
three point eight Flash TTS

00:00:52.366 --> 00:00:53.933
把声音本身变成了可以

00:00:53.933 --> 00:00:55.933
用自然语言设计的对象

00:00:55.966 --> 00:00:58.266
用户可以描述角色身份

00:00:58.300 --> 00:01:01.366
年龄感地区口音和表达方式

00:01:01.533 --> 00:01:03.800
再逐句控制节奏情绪

00:01:03.900 --> 00:01:05.966
方言变化和对话反应

00:01:06.100 --> 00:01:07.900
Google同时推出两个版本

00:01:08.300 --> 00:01:11.933
Gemini3.8 Flash TTS追求最高声音

00:01:11.933 --> 00:01:14.733
质量表演细节和方言覆盖

00:01:15.000 --> 00:01:18.733
适合有声书长篇旁白复杂双人

00:01:18.733 --> 00:01:21.266
对话以及需要精确发音的内容

00:01:21.533 --> 00:01:25.066
Germany 3.8 Flashlight TTS把重点

00:01:25.066 --> 00:01:27.900
放在吞吐量延迟和成本

00:01:28.000 --> 00:01:29.966
适合批量配音朗读

00:01:29.966 --> 00:01:32.100
服务和大规模语音代理

00:01:32.500 --> 00:01:34.600
两者使用相同的接口结构

00:01:34.900 --> 00:01:36.066
创作者可以先用

00:01:36.066 --> 00:01:38.366
高质量版本做重点内容

00:01:38.500 --> 00:01:40.733
再把大量常规任务交给Lite

00:01:41.000 --> 00:01:43.333
这种分工透露出Google的目标

00:01:44.000 --> 00:01:45.400
他没有只做一个展示

00:01:45.400 --> 00:01:47.200
效果惊艳的声音模型

00:01:47.566 --> 00:01:50.666
而是同时准备了制作端和规模化端

00:01:50.933 --> 00:01:52.766
Flash负责把角色做出来

00:01:53.066 --> 00:01:54.666
Flashlight负责让角色在

00:01:54.666 --> 00:01:56.333
大量内容里持续工作

00:01:56.666 --> 00:01:58.133
前者争夺创作者

00:01:58.166 --> 00:02:00.133
后者争夺企业和平台

00:02:00.333 --> 00:02:02.866
3.8 Flash TTS的第一项关键

00:02:02.866 --> 00:02:04.933
能力是generative voice design

00:02:05.400 --> 00:02:07.566
也就是生成式声音设计

00:02:07.900 --> 00:02:09.333
用户不必寻找一个

00:02:09.333 --> 00:02:11.333
差不多合适的预设音色

00:02:11.533 --> 00:02:13.800
可以直接描述想要的声音

00:02:13.966 --> 00:02:15.900
例如一名语气克制

00:02:16.166 --> 00:02:17.200
节奏稍慢

00:02:17.200 --> 00:02:19.200
带地区口音的科技旁白

00:02:19.400 --> 00:02:20.966
或者一个声音尖细

00:02:21.266 --> 00:02:23.666
缺乏情绪起伏的机器人角色

00:02:24.400 --> 00:02:25.966
模型再根据这些条件

00:02:25.966 --> 00:02:27.600
合成完整声音人格

00:02:27.866 --> 00:02:29.600
Google还开放了超过2,000

00:02:29.600 --> 00:02:31.566
种可用于生产的声音

00:02:31.700 --> 00:02:33.700
并覆盖大量地区变体

00:02:33.866 --> 00:02:37.066
模型文档列出130种受支持语言

00:02:37.733 --> 00:02:39.700
Flashlight支持101种

00:02:40.300 --> 00:02:41.866
普通话繁体中文和

00:02:41.866 --> 00:02:43.866
粤语都在Flash的清单中

00:02:43.900 --> 00:02:47.766
官方宣传使用超过100种语言和方言

00:02:48.133 --> 00:02:50.733
开发文档给出的数字更具体

00:02:50.900 --> 00:02:54.100
中文创作者需要测试口播是否自然

00:02:54.533 --> 00:02:56.733
专有名词能否稳定发音

00:02:56.766 --> 00:02:58.300
普通话和粤语能否

00:02:58.300 --> 00:03:00.300
保持各自语序与节奏

00:03:00.533 --> 00:03:02.333
支持一种语言只说明

00:03:02.333 --> 00:03:04.333
模型可以生成对应语音

00:03:04.800 --> 00:03:07.200
它不保证每种口音情绪和长

00:03:07.200 --> 00:03:09.400
文本场景都达到同一水平

00:03:09.700 --> 00:03:12.400
Google公布的盲测优势集中在日语

00:03:12.466 --> 00:03:15.900
巴西葡萄牙语越南语现代标准

00:03:15.900 --> 00:03:19.366
阿拉伯语墨西哥西班牙语和印地语

00:03:19.366 --> 00:03:22.400
等语言中文效果仍需要创作者

00:03:22.400 --> 00:03:24.333
用真实脚本自己验证

00:03:24.966 --> 00:03:28.100
尤其是数字英文缩写人名和

00:03:28.100 --> 00:03:30.300
科技术语密集的长篇内容

00:03:30.400 --> 00:03:31.900
第二项能力更敏感

00:03:31.900 --> 00:03:33.400
也更有商业价值

00:03:33.733 --> 00:03:34.700
声音复制

00:03:35.100 --> 00:03:37.966
用户可以提供大约30秒的音频样本

00:03:38.166 --> 00:03:39.866
复制自己拥有或已经

00:03:39.866 --> 00:03:41.500
取得使用权的声音

00:03:41.700 --> 00:03:44.400
过去稳定的声音克隆往往需要

00:03:44.400 --> 00:03:47.533
专门平台较长素材或额外训练

00:03:47.733 --> 00:03:49.766
Google现在把这件事直接放进

00:03:49.766 --> 00:03:52.200
AI studio的声音设计工作区

00:03:52.533 --> 00:03:54.466
还允许保存生成的声音

00:03:54.466 --> 00:03:55.800
让同一个角色在

00:03:55.800 --> 00:03:57.700
后续项目中继续使用

00:03:57.766 --> 00:03:59.800
并尽量减少音色漂移

00:03:59.900 --> 00:04:02.266
这会立刻改变长内容生产

00:04:02.400 --> 00:04:03.700
一名创作者可以

00:04:03.700 --> 00:04:05.333
保留自己的声音身份

00:04:05.566 --> 00:04:07.766
却把重复录制交给模型

00:04:08.066 --> 00:04:09.700
教育团队可以为课程

00:04:09.700 --> 00:04:11.366
维护固定讲师音色

00:04:11.900 --> 00:04:13.100
游戏和有声内容

00:04:13.100 --> 00:04:14.900
团队能够建立角色库

00:04:15.200 --> 00:04:17.366
不必每一次都从头调声线

00:04:17.533 --> 00:04:19.800
企业也可以把品牌声音写进

00:04:19.800 --> 00:04:22.566
客服产品演示和内部培训

00:04:22.766 --> 00:04:24.066
门槛下降以后

00:04:24.166 --> 00:04:26.566
授权问题会从附加条款变成

00:04:26.566 --> 00:04:28.733
产品能否长期运行的基础

00:04:29.000 --> 00:04:29.733
正在开发的新功能将允许用户在不

00:04:29.733 --> 00:04:30.333
使用麦克风的情况下使用语音助手

00:04:30.333 --> 00:04:31.500
Google要求声音复制必须提交与

00:04:31.500 --> 00:04:34.333
参考说话者匹配的口头同意录音

00:04:34.566 --> 00:04:36.333
生成音频会加入不可

00:04:36.333 --> 00:04:38.266
感知的synth ID水印

00:04:38.400 --> 00:04:40.700
并配合c to pa来源凭证

00:04:40.800 --> 00:04:42.600
这几层措施分别处理

00:04:42.600 --> 00:04:44.600
同意追踪和来源标记

00:04:44.866 --> 00:04:46.733
却不能彻底阻止滥用

00:04:47.133 --> 00:04:49.300
有人仍可能用剪辑重录

00:04:49.300 --> 00:04:51.000
或其他平台绕过限制

00:04:51.300 --> 00:04:54.333
水印也需要平台愿意检测才有意义

00:04:54.500 --> 00:04:56.700
对创作者最现实的影响是

00:04:57.100 --> 00:04:58.700
今后的声音权利不能

00:04:58.700 --> 00:05:00.800
只写成一句禁止盗用

00:05:00.933 --> 00:05:03.133
团队需要保存授权记录

00:05:03.400 --> 00:05:05.933
明确音色可以用于哪些内容

00:05:06.166 --> 00:05:07.666
能够使用多久

00:05:07.866 --> 00:05:09.766
是否允许二次训练

00:05:09.933 --> 00:05:11.600
真人离开项目之后

00:05:11.733 --> 00:05:14.666
旧声音还能不能继续生成新台词

00:05:15.100 --> 00:05:17.333
也会成为合同中的高频争议

00:05:17.533 --> 00:05:19.066
第三项能力决定它

00:05:19.066 --> 00:05:21.133
能不能用于真正的长视频

00:05:21.766 --> 00:05:23.133
长文本稳定性

00:05:23.800 --> 00:05:26.800
不少语音模型做10秒演示很好听

00:05:26.933 --> 00:05:29.300
讲到10分钟以后就开始变声

00:05:29.600 --> 00:05:31.166
音量忽高忽低

00:05:31.300 --> 00:05:33.066
情绪也会慢慢跑调

00:05:33.366 --> 00:05:37.333
Gemini 3.8 Flash TTS主打长篇多轮的身份

00:05:37.333 --> 00:05:40.900
稳定Google声称它能在数小时内容中

00:05:40.900 --> 00:05:44.700
保持音色音量房间声感和自然节奏

00:05:44.800 --> 00:05:46.666
并减少说话者漂移

00:05:46.866 --> 00:05:49.866
这项能力直接瞄准播客有声书

00:05:50.400 --> 00:05:52.166
和长篇Youtube旁白

00:05:52.333 --> 00:05:54.533
它还原生支持双人场景

00:05:54.733 --> 00:05:56.133
用户可以在同一份

00:05:56.133 --> 00:05:58.166
脚本中标记两个说话者

00:05:58.266 --> 00:06:00.733
给每一轮台词单独设置风格

00:06:01.400 --> 00:06:03.766
模型负责维持两种声音的区分

00:06:03.766 --> 00:06:06.666
也处理自然轮替采访重现

00:06:06.700 --> 00:06:09.933
双人解说角色对话和剧情播客

00:06:10.000 --> 00:06:13.166
不再需要分别生成音轨再手工拼接

00:06:13.333 --> 00:06:16.733
新接口要求用户把说话者和持续性

00:06:16.733 --> 00:06:20.100
表演指令放进结构化的speech metadata

00:06:20.766 --> 00:06:23.566
文本部分只保留实际要读出的台词

00:06:23.800 --> 00:06:26.933
笑声叹气咳嗽呼吸和

00:06:26.933 --> 00:06:29.066
短暂停顿等瞬时动作

00:06:29.100 --> 00:06:31.466
则可以继续写成行内标签

00:06:31.600 --> 00:06:33.366
这个变化看似技术细节

00:06:33.366 --> 00:06:35.000
实际上代表Google把语音

00:06:35.000 --> 00:06:37.166
生成从一段提示词改成了

00:06:37.166 --> 00:06:39.100
更接近制作软件的格式

00:06:39.666 --> 00:06:42.733
台词演员和导演指令被拆开管理

00:06:42.933 --> 00:06:45.533
拆开以后批量修改会容易很多

00:06:46.100 --> 00:06:47.300
角色音色不变

00:06:47.300 --> 00:06:48.900
只更换某一段情绪

00:06:49.466 --> 00:06:50.566
脚本内容不变

00:06:50.566 --> 00:06:52.566
只调整某个说话人的节奏

00:06:53.300 --> 00:06:55.766
多语言版本共享场景结构

00:06:55.766 --> 00:06:57.400
再替换对应台词

00:06:57.533 --> 00:07:00.400
反复编辑是长内容生产的基本要求

00:07:01.200 --> 00:07:03.500
Googlegoogle正在把这项能力补上

00:07:03.766 --> 00:07:06.133
模型也支持国际音标覆盖

00:07:06.333 --> 00:07:09.866
方便处理人名品牌和少数语言发音

00:07:10.166 --> 00:07:11.333
对于科技频道

00:07:11.333 --> 00:07:12.933
这项功能很实用

00:07:13.166 --> 00:07:15.333
芯片型号公司名称和

00:07:15.333 --> 00:07:17.866
研究人员姓名常常中英混杂

00:07:18.300 --> 00:07:21.566
普通TTS容易在同一句里突然换腔

00:07:21.766 --> 00:07:24.500
国际音标不能自动解决所有问题

00:07:24.733 --> 00:07:26.200
却能让制作方对

00:07:26.200 --> 00:07:28.566
关键词拥有更精确的控制

00:07:28.900 --> 00:07:30.400
官方基准给出的成绩很

00:07:30.400 --> 00:07:33.966
亮眼Gemini 3.8 Flash TTS在Hume AI

00:07:33.966 --> 00:07:37.366
的voice design Benchmark取得71.4分

00:07:37.666 --> 00:07:40.400
在口音建模项目得到60.8分

00:07:40.700 --> 00:07:42.900
Google称两项均位列第一

00:07:43.266 --> 00:07:45.366
Flash和Flashlight还在Hume的

00:07:45.366 --> 00:07:47.533
综合质量指数占据前两名

00:07:47.733 --> 00:07:49.166
基准能说明模型在

00:07:49.166 --> 00:07:51.000
指定测试里的竞争力

00:07:51.500 --> 00:07:52.666
不能直接证明它在

00:07:52.666 --> 00:07:54.600
每个真实项目中都最好

00:07:54.900 --> 00:07:57.466
脚本长度语言提示方式和

00:07:57.466 --> 00:07:59.466
后期处理都会改变结果

00:07:59.600 --> 00:08:01.933
价格同样决定实际采用速度

00:08:02.366 --> 00:08:04.800
Gemini 3.8 Flash TTS的付费

00:08:04.800 --> 00:08:08.066
标准价在2026年12月31日前

00:08:08.166 --> 00:08:11.266
为每100万个文本TOKEN 0.5美元

00:08:11.400 --> 00:08:13.100
音频输出为9美元

00:08:13.366 --> 00:08:16.200
Google按每秒音频25个TOKEN计算

00:08:16.300 --> 00:08:20.466
官方换算约为每10秒0.00225美元

00:08:20.533 --> 00:08:22.500
2027年1月1日起

00:08:22.566 --> 00:08:25.166
文本和音频单价都计划翻倍

00:08:25.566 --> 00:08:27.066
Flashlight同期音频输出

00:08:27.066 --> 00:08:29.100
为每100万个TOKEN6美元

00:08:29.200 --> 00:08:31.566
2027年起升至12美元

00:08:31.700 --> 00:08:32.966
按公开换算

00:08:33.000 --> 00:08:35.400
一小时Flash音频在当前

00:08:35.400 --> 00:08:37.700
促销价下大约0.8亿美元

00:08:37.866 --> 00:08:39.400
只计算模型输出

00:08:39.400 --> 00:08:43.100
不含存储后期重试和人工审核

00:08:43.566 --> 00:08:45.166
这个数字会给传统

00:08:45.166 --> 00:08:47.200
配音市场带来直接压力

00:08:47.366 --> 00:08:48.900
特别是预算有限

00:08:48.966 --> 00:08:49.966
更新频繁

00:08:50.300 --> 00:08:52.366
对表演要求一般的内容

00:08:52.500 --> 00:08:55.066
低成本生成仍需要人工审核

00:08:55.300 --> 00:08:56.933
长稿中的事实读错

00:08:57.266 --> 00:08:59.066
重音异常和角色串音

00:08:59.066 --> 00:09:00.400
一旦混入成片

00:09:00.600 --> 00:09:03.366
观众不会因为它便宜就降低要求

00:09:03.566 --> 00:09:05.366
免费层也可以使用

00:09:05.366 --> 00:09:07.566
但Google明确说明免费层

00:09:07.566 --> 00:09:09.866
数据可能被用于改进产品

00:09:10.000 --> 00:09:11.366
付费层则不会

00:09:11.966 --> 00:09:14.000
涉及未发布脚本客户

00:09:14.000 --> 00:09:15.766
内容或内部资料时

00:09:15.766 --> 00:09:17.333
这项差异很关键

00:09:17.500 --> 00:09:19.100
便宜的调用成本容易

00:09:19.100 --> 00:09:20.900
让人忽略数据条款

00:09:21.266 --> 00:09:23.200
真正进入商业流程前

00:09:23.366 --> 00:09:26.066
团队要先确认素材能否上传

00:09:26.300 --> 00:09:29.066
声音授权是否覆盖云端处理

00:09:29.266 --> 00:09:32.200
Gemini three point eight Flash TTS与Gemini

00:09:32.200 --> 00:09:34.700
three point eight live是两条产品线

00:09:34.933 --> 00:09:37.666
TTS接受文本并输出音频

00:09:38.133 --> 00:09:40.666
适合预先写好的旁白和对话

00:09:40.900 --> 00:09:42.733
它不支持live API

00:09:42.766 --> 00:09:45.366
也不具备搜索函数调用

00:09:45.400 --> 00:09:48.066
代码执行和复杂推理能力

00:09:48.333 --> 00:09:51.500
Gemini 3.8live负责实时语音互动

00:09:51.666 --> 00:09:54.800
能够在对话中接收信息并完成任务

00:09:54.900 --> 00:09:56.333
一个更像录音棚

00:09:56.533 --> 00:09:58.666
另一个更像实时语音代理

00:09:59.166 --> 00:10:01.700
Google把两条产品线同时推进

00:10:01.866 --> 00:10:04.066
是为了覆盖先写后生成

00:10:04.200 --> 00:10:06.466
和边说边处理两种需求

00:10:06.566 --> 00:10:08.333
如果发布只有TTS

00:10:08.500 --> 00:10:10.933
这仍是一场声音模型竞争

00:10:11.000 --> 00:10:12.933
可Google在前一天宣布

00:10:13.166 --> 00:10:15.166
符合条件的Google AI付费

00:10:15.166 --> 00:10:17.866
订阅开始加入Colab高级权益

00:10:18.166 --> 00:10:20.200
整个动作立刻有了不同含义

00:10:20.466 --> 00:10:21.933
Colab是一套浏览器里

00:10:21.933 --> 00:10:23.566
的Python笔记本环境

00:10:23.866 --> 00:10:25.800
学生研究人员和独立

00:10:25.800 --> 00:10:28.166
开发者可以直接运行代码

00:10:28.300 --> 00:10:30.900
也能临时使用GPU和TPU

00:10:31.066 --> 00:10:32.600
它长期受到欢迎

00:10:32.866 --> 00:10:33.966
原因很简单

00:10:34.366 --> 00:10:36.733
用户不用自己安装复杂驱动

00:10:36.800 --> 00:10:38.666
不必先买昂贵显卡

00:10:38.900 --> 00:10:41.800
打开网页就能测试机器学习代码

00:10:42.133 --> 00:10:44.266
Google AI付费套餐现在会

00:10:44.266 --> 00:10:46.400
提供每月Colab计算单元

00:10:46.466 --> 00:10:48.533
并让用户优先接触更快

00:10:48.533 --> 00:10:50.800
的加速器和更强的机器

00:10:50.933 --> 00:10:53.366
更高级套餐还包含后台执行

00:10:53.533 --> 00:10:57.333
Google AI Ultra用户能够获得Premium GPU访问

00:10:57.700 --> 00:10:59.566
以及不中断的后台运行

00:10:59.666 --> 00:11:02.733
让长任务在浏览器关闭后继续执行

00:11:02.933 --> 00:11:05.333
Ultra帮助页面显示不同档位

00:11:05.333 --> 00:11:08.600
可获得1,000或2,000个collab计算单元

00:11:08.933 --> 00:11:10.933
这项多数权益对两类人最直接

00:11:11.066 --> 00:11:13.400
第一类是已经订阅Google AI

00:11:13.500 --> 00:11:16.000
又偶尔需要跑AI绘画语音

00:11:16.000 --> 00:11:18.400
处理或小型开源模型的人

00:11:18.466 --> 00:11:21.166
他们不用额外买一份Colab套餐

00:11:21.200 --> 00:11:22.500
就能把订阅里的

00:11:22.500 --> 00:11:24.266
计算单元拿来做实验

00:11:24.366 --> 00:11:26.766
第二类是同时使用Gemini

00:11:27.166 --> 00:11:30.700
Google Drive AI studio和开发工具的人

00:11:30.800 --> 00:11:32.566
Google AI套餐开始变成

00:11:32.566 --> 00:11:34.200
一个统一入口模型

00:11:34.500 --> 00:11:37.600
存储笔记本和算力被打包在一起

00:11:37.700 --> 00:11:40.300
订阅里的collab仍有明确上限

00:11:40.500 --> 00:11:42.733
硬件会根据地区供给

00:11:43.266 --> 00:11:46.200
使用模式和剩余计算单元动态分配

00:11:46.333 --> 00:11:48.600
官方不承诺固定GPU型号

00:11:48.700 --> 00:11:50.200
也不公布一套永久

00:11:50.200 --> 00:11:51.800
不变的运行时上限

00:11:52.000 --> 00:11:53.300
即使付费用户

00:11:53.733 --> 00:11:55.366
计算单元耗尽以后仍

00:11:55.366 --> 00:11:57.133
会回到免费层的限制

00:11:57.300 --> 00:11:58.533
需要固定硬件和

00:11:58.533 --> 00:12:00.200
稳定时长的生产任务

00:12:00.366 --> 00:12:01.900
仍然应当使用专用

00:12:01.900 --> 00:12:03.400
云实例或企业方案

00:12:03.600 --> 00:12:07.600
Colab免费环境通常最长运行约12小时

00:12:08.133 --> 00:12:10.400
具体还要看资源和使用模式

00:12:10.700 --> 00:12:13.500
Colab Pro加在计算单元充足时

00:12:13.500 --> 00:12:15.933
可连续执行最长24小时

00:12:16.333 --> 00:12:19.000
Google AI更高套餐提供的后台执行

00:12:19.133 --> 00:12:20.400
可以减少浏览器

00:12:20.400 --> 00:12:22.100
必须保持打开的麻烦

00:12:22.266 --> 00:12:25.100
却没有把Colab变成无限期服务器

00:12:25.466 --> 00:12:26.966
Google也限制利用托管

00:12:26.966 --> 00:12:29.100
运行时搭建远程桌面

00:12:29.200 --> 00:12:30.566
绕过笔记本界面

00:12:30.566 --> 00:12:32.466
提供网页服务等用法

00:12:32.566 --> 00:12:34.900
用户原有的Collab Pro或Pro

00:12:34.900 --> 00:12:36.766
加订阅不会因此取消

00:12:37.500 --> 00:12:39.766
Google允许Colab原生订阅和

00:12:39.766 --> 00:12:42.000
Google AI套餐同时存在

00:12:42.133 --> 00:12:43.766
两边赠送的计算单元

00:12:43.766 --> 00:12:45.333
会进入同一个余额

00:12:45.500 --> 00:12:47.866
这个设计既避免激怒老用户

00:12:47.933 --> 00:12:50.500
也在鼓励重度用户叠加购买

00:12:50.533 --> 00:12:51.733
对Google来说

00:12:51.900 --> 00:12:54.466
Colab从独立开发工具变成

00:12:54.466 --> 00:12:56.600
了AI订阅留存的一部分

00:12:56.933 --> 00:12:59.133
把TTS与Collab放在一起

00:12:59.400 --> 00:13:01.400
Google的意图就清楚了

00:13:01.566 --> 00:13:03.600
AI订阅过去主要出售聊天

00:13:03.600 --> 00:13:06.133
次数模型能力和云存储

00:13:06.400 --> 00:13:07.700
现在它开始包含

00:13:07.700 --> 00:13:09.666
生产工具与实际算力

00:13:09.800 --> 00:13:12.000
用户可以在Gemini里整理脚本

00:13:12.266 --> 00:13:14.266
在AI studio设计声音

00:13:14.300 --> 00:13:16.500
通过API批量生成语音

00:13:16.566 --> 00:13:18.966
再到Colab运行图像模型

00:13:19.133 --> 00:13:21.800
音频处理或小型LLM文件

00:13:21.900 --> 00:13:23.500
继续留在Google云端

00:13:23.600 --> 00:13:25.933
每一步单独看都有替代品

00:13:26.266 --> 00:13:28.133
声音生成有专业平台

00:13:28.300 --> 00:13:29.300
云端笔记本

00:13:29.300 --> 00:13:30.533
还有其他选择

00:13:30.800 --> 00:13:33.200
开源模型更可以在本地运行

00:13:33.800 --> 00:13:35.933
Google的优势来自连接成本

00:13:36.100 --> 00:13:37.200
账号已经登录

00:13:37.300 --> 00:13:38.500
订阅已经付款

00:13:38.600 --> 00:13:40.000
drive里已经有文件

00:13:40.400 --> 00:13:43.200
API密钥和笔记本又在同一生态

00:13:43.466 --> 00:13:44.400
权益对两类多数普通用户

00:13:44.400 --> 00:13:46.466
不会为了某一项参数领先

00:13:46.566 --> 00:13:48.500
反复迁移整套工作流

00:13:48.600 --> 00:13:51.333
这也是第二篇最值得给出的判断

00:13:51.700 --> 00:13:54.533
Gemini3.8 Flash TTS既要

00:13:54.533 --> 00:13:56.133
击败其他语音模型

00:13:56.133 --> 00:13:58.666
也在争夺创作者的制作入口

00:13:58.900 --> 00:14:00.800
Colab权益同样在争夺

00:14:00.800 --> 00:14:02.400
开发者的试验入口

00:14:02.933 --> 00:14:05.533
Google把两个入口装进同一份订阅

00:14:06.000 --> 00:14:08.933
目的在于让用户从构思生成

00:14:08.933 --> 00:14:11.366
到计算都留在Google体系内

00:14:11.366 --> 00:14:13.266
对Youtube创作者来说

00:14:13.333 --> 00:14:14.733
这套组合会首先

00:14:14.733 --> 00:14:17.100
压缩低端重复性劳动

00:14:17.400 --> 00:14:20.000
资讯旁白多语言版本临时

00:14:20.000 --> 00:14:22.933
配音角色样音和批量短内容

00:14:23.000 --> 00:14:24.400
都可以更快完成

00:14:24.533 --> 00:14:27.500
真正拉开差距的环节会向前移动

00:14:28.100 --> 00:14:29.500
选题是否准确

00:14:29.566 --> 00:14:30.800
脚本有没有判断

00:14:31.066 --> 00:14:33.566
声音设计是否符合频道身份

00:14:33.800 --> 00:14:36.866
后期有没有修掉模型留下的违和感

00:14:36.900 --> 00:14:38.366
一条20分钟的科技

00:14:38.366 --> 00:14:39.733
内容可以这样生产

00:14:40.200 --> 00:14:43.500
文章先被拆成旁白引用和两人对话

00:14:43.700 --> 00:14:45.066
团队给不同段落

00:14:45.066 --> 00:14:47.000
写入节奏和情绪要求

00:14:47.366 --> 00:14:49.333
再为公司名人名和

00:14:49.333 --> 00:14:51.466
芯片型号补上发音规则

00:14:51.666 --> 00:14:53.766
TTS生成初版以后

00:14:53.800 --> 00:14:55.600
人工只重做发音错误

00:14:55.600 --> 00:14:57.300
或情绪不对的句子

00:14:57.500 --> 00:15:00.933
collab负责降噪响度统一字幕对齐

00:15:01.066 --> 00:15:02.566
或者运行本地视觉

00:15:02.566 --> 00:15:04.200
模型生成辅助素材

00:15:04.533 --> 00:15:06.100
过去需要在多个网站

00:15:06.100 --> 00:15:08.100
之间上传下载的步骤

00:15:08.300 --> 00:15:10.866
有机会被压进一套账号体系

00:15:10.966 --> 00:15:12.300
这里仍然存在一块

00:15:12.300 --> 00:15:14.133
不能交给模型的工作

00:15:14.566 --> 00:15:15.800
事实修改以后

00:15:15.933 --> 00:15:17.600
音频必须同步更新

00:15:17.900 --> 00:15:19.333
生成声音很便宜

00:15:19.600 --> 00:15:21.133
错误内容也会因此

00:15:21.133 --> 00:15:22.866
更容易被大批量复制

00:15:23.000 --> 00:15:25.066
制作团队需要保存台词

00:15:25.066 --> 00:15:27.700
版本生成参数和授权信息

00:15:27.933 --> 00:15:31.133
确保每一段成片都能追到对应文本

00:15:31.466 --> 00:15:33.066
否则一旦某个数字出错

00:15:33.200 --> 00:15:35.566
几十种语言版本会同时出错

00:15:35.900 --> 00:15:38.700
低成本生产立刻变成高成本返工

00:15:38.933 --> 00:15:41.600
传统配音行业也不会简单消失

00:15:42.100 --> 00:15:44.400
广告主角影视表演和

00:15:44.400 --> 00:15:46.666
具有明确人格价值的声音

00:15:46.733 --> 00:15:49.700
仍需要真人提供创造力与责任

00:15:49.933 --> 00:15:52.400
受到冲击更大的是试音

00:15:52.666 --> 00:15:53.600
临时版本

00:15:53.966 --> 00:15:56.533
说明性旁白和大批量本地化

00:15:56.666 --> 00:15:59.333
真人配音的价值会从把字读出来

00:15:59.333 --> 00:16:02.866
转向角色塑造表演判断和授权

00:16:02.866 --> 00:16:03.666
稀缺性

00:16:04.066 --> 00:16:05.500
声音越容易复制

00:16:05.533 --> 00:16:08.600
真正可被识别的表演反而越有价格

00:16:08.800 --> 00:16:10.966
平台规则也会跟着收紧

00:16:11.333 --> 00:16:13.066
Youtube一直在判断内容

00:16:13.066 --> 00:16:15.533
是否重复误导低价值

00:16:15.700 --> 00:16:17.800
以及有没有侵犯他人权利

00:16:18.200 --> 00:16:20.800
TTS让批量生产更容易

00:16:20.900 --> 00:16:23.200
也会让大量频道采用相似

00:16:23.200 --> 00:16:26.133
声音相似节奏和相似模板

00:16:26.300 --> 00:16:28.166
单纯把文字喂给模型

00:16:28.266 --> 00:16:30.200
再配上自动生成画面

00:16:30.200 --> 00:16:31.966
很难形成长期价值

00:16:32.366 --> 00:16:34.366
AI可以降低制作成本

00:16:34.466 --> 00:16:36.666
却无法自动创造可信度

00:16:36.700 --> 00:16:39.100
更现实的路线是把TTS

00:16:39.100 --> 00:16:41.000
当成制作系统的一部分

00:16:41.166 --> 00:16:43.600
创作者先用真人逻辑完成文章

00:16:43.733 --> 00:16:45.333
决定哪些段落要快

00:16:45.333 --> 00:16:46.600
哪些判断要停

00:16:46.600 --> 00:16:48.266
哪些数据需要重读

00:16:48.266 --> 00:16:50.900
再把这些信息写入逐句表演指令

00:16:51.200 --> 00:16:52.733
生成以后还要检查专有

00:16:52.733 --> 00:16:55.366
名词数字和情绪连续性

00:16:55.666 --> 00:16:56.933
模型负责执行

00:16:56.966 --> 00:16:58.733
频道负责审美和责任

00:16:58.933 --> 00:17:00.900
Colab也适合承担实验

00:17:00.966 --> 00:17:03.666
不适合被神化成免费数据中心

00:17:03.800 --> 00:17:06.266
它可以试跑stable diffusion类模型

00:17:06.600 --> 00:17:08.566
量化后的小型LLM

00:17:08.666 --> 00:17:11.000
语音清理工具和字幕流程

00:17:11.333 --> 00:17:12.333
也能帮助没有

00:17:12.333 --> 00:17:14.666
独立显卡的用户验证想法

00:17:14.800 --> 00:17:16.666
项目进入稳定生产后

00:17:16.666 --> 00:17:19.133
动态资源会话中断和硬件

00:17:19.133 --> 00:17:21.100
不确定性都会成为风险

00:17:21.466 --> 00:17:24.666
能在Colab跑起来只代表原型成立

00:17:24.733 --> 00:17:27.300
不代表业务可以依赖它持续运行

00:17:27.500 --> 00:17:29.100
Google选择在同一时间

00:17:29.100 --> 00:17:31.733
推进声音生成和Colab订阅

00:17:32.100 --> 00:17:33.766
还有一层商业考虑

00:17:34.166 --> 00:17:36.500
生成式AI服务成本很高

00:17:36.666 --> 00:17:39.200
单纯靠聊天订阅容易陷入用户

00:17:39.200 --> 00:17:41.666
只在需要时开一个月的局面

00:17:42.166 --> 00:17:45.066
把云存储办公集成开发工具

00:17:45.133 --> 00:17:47.933
声音制作和计算单元捆绑起来

00:17:48.000 --> 00:17:49.700
可以提高退出成本

00:17:49.866 --> 00:17:52.400
即使用户某个月很少打开Gemini

00:17:52.566 --> 00:17:54.900
也可能因为drive Colab或

00:17:54.900 --> 00:17:56.600
其他权益继续付费

00:17:56.700 --> 00:17:59.333
这条路线与传统软件订阅很相似

00:17:59.700 --> 00:18:01.866
真正稳固的套餐会让多个日常

00:18:01.866 --> 00:18:04.500
需求共享同一账号和付款关系

00:18:04.900 --> 00:18:07.866
单个爆款功能只负责吸引用户进门

00:18:08.166 --> 00:18:11.900
Google拥有浏览器邮箱办公套件

00:18:12.100 --> 00:18:15.566
云盘视频平台和开发基础设施

00:18:15.900 --> 00:18:17.800
天然适合做这种捆绑

00:18:18.166 --> 00:18:21.066
Gemini模型只是连接这些资产的中枢

00:18:21.300 --> 00:18:22.600
风险也很明确

00:18:23.300 --> 00:18:24.300
功能越多

00:18:24.400 --> 00:18:25.566
套餐越复杂

00:18:25.866 --> 00:18:28.666
用户越难判断自己究竟买到了什么

00:18:28.866 --> 00:18:31.966
collab权益会因地区和档位不同

00:18:32.366 --> 00:18:34.200
GPU又没有固定保证

00:18:34.400 --> 00:18:35.733
TTS免费层

00:18:36.066 --> 00:18:37.166
标准调用

00:18:37.366 --> 00:18:40.566
批处理和优先推理也有不同价格

00:18:40.733 --> 00:18:43.100
宣传里一句包含高级权益

00:18:43.300 --> 00:18:45.966
落到使用时可能是有限额度

00:18:46.000 --> 00:18:47.900
分批开放和动态资源

00:18:48.000 --> 00:18:49.366
Google需要把余额

00:18:49.566 --> 00:18:52.166
消耗速度和硬件分配讲清楚

00:18:52.666 --> 00:18:55.366
否则生态优势很容易变成账单困惑

00:18:55.566 --> 00:18:57.000
声音复制还会带来

00:18:57.000 --> 00:18:58.733
更棘手的信任问题

00:18:58.933 --> 00:19:00.933
未来观众听到熟悉声音

00:19:00.933 --> 00:19:03.533
不能再自然推断本人说过这句话

00:19:03.700 --> 00:19:05.800
品牌和创作者可能需要

00:19:05.800 --> 00:19:08.733
公开说明声音是否由AI生成

00:19:08.966 --> 00:19:12.066
平台也需要提供更明显的来源信息

00:19:12.400 --> 00:19:15.666
since ID与c to PA提供技术基础

00:19:15.900 --> 00:19:18.100
最终是否有效取决于

00:19:18.100 --> 00:19:20.100
检测工具能不能普及

00:19:20.300 --> 00:19:21.866
以及发布平台是否

00:19:21.866 --> 00:19:23.600
愿意展示这些信息

00:19:23.766 --> 00:19:25.366
新增2,000多种声音

00:19:25.366 --> 00:19:26.800
改进口音和情绪

00:19:26.966 --> 00:19:30.066
只是Gemini 3.8 Flash TTS的一部分

00:19:30.466 --> 00:19:32.366
它把声音从一个固定预设

00:19:32.400 --> 00:19:35.066
变成可以保存导演复制和

00:19:35.066 --> 00:19:37.066
规模化调用的生产资产

00:19:37.500 --> 00:19:40.000
Google AI套餐加入Colab

00:19:40.133 --> 00:19:42.166
又把运行代码与模型

00:19:42.166 --> 00:19:44.100
所需的算力带进来

00:19:44.200 --> 00:19:46.100
两条产品线合在一起

00:19:46.566 --> 00:19:48.733
个人创作者第一次可以在同

00:19:48.733 --> 00:19:51.366
一个账户里完成相当多的工作

00:19:51.700 --> 00:19:52.800
脚本写好以后

00:19:52.800 --> 00:19:53.766
设计旁白

00:19:53.866 --> 00:19:55.766
为不同语言生成版本

00:19:55.766 --> 00:19:59.166
用collab处理音频或运行视觉模型

00:19:59.333 --> 00:20:01.566
再把素材送进剪辑流程

00:20:01.900 --> 00:20:03.300
过去需要几项订阅

00:20:03.400 --> 00:20:06.066
一台高性能电脑和不少环境配置

00:20:06.333 --> 00:20:07.733
现在可能只需要一个

00:20:07.733 --> 00:20:10.133
浏览器和一份Google AI套餐

00:20:10.400 --> 00:20:11.733
可工具越完整

00:20:11.800 --> 00:20:13.533
内容本身越无处躲藏

00:20:13.766 --> 00:20:15.366
声音质量接近以后

00:20:15.366 --> 00:20:17.300
谁都能生成流畅旁白

00:20:17.500 --> 00:20:18.766
算力普及以后

00:20:18.800 --> 00:20:20.533
谁都能跑相似模型

00:20:20.600 --> 00:20:23.000
低门槛会迅速抹平技术优势

00:20:23.566 --> 00:20:24.866
观众最后留下来

00:20:24.966 --> 00:20:26.533
仍然是因为作者提供了

00:20:26.533 --> 00:20:28.966
别人没有的资料判断和叙事

00:20:29.300 --> 00:20:32.100
Google正在出售一间更便宜的工作室

00:20:32.333 --> 00:20:33.666
却没有替任何人

00:20:33.666 --> 00:20:35.366
准备值得录制的东西

00:20:35.800 --> 00:20:37.933
开头留下的问题现在有了答案

00:20:38.333 --> 00:20:40.466
Google AI订阅正在越过

00:20:40.466 --> 00:20:42.066
聊天机器人边界

00:20:42.300 --> 00:20:43.733
变成个人创作与

00:20:43.733 --> 00:20:45.700
开发基础设施的套餐

00:20:46.166 --> 00:20:49.300
Gemini 3.8 Flash TTS负责声音

00:20:49.566 --> 00:20:50.966
Colab负责算力

00:20:51.133 --> 00:20:52.866
AI studio负责试验

00:20:53.066 --> 00:20:54.300
drive负责保存

00:20:54.466 --> 00:20:55.733
Gemini负责连接

00:20:56.000 --> 00:20:57.800
接下来真正激烈的竞争

00:20:57.900 --> 00:21:00.566
不会只看哪一个模型更像真人

00:21:00.566 --> 00:21:02.800
而会看哪家公司能让

00:21:02.800 --> 00:21:04.933
用户完成整个项目以后

00:21:05.100 --> 00:21:07.133
再也不愿意离开它的生态