昨天半夜刷Hacker News，看到Gemini 3.8 text-to-speech的讨论帖冲到首页第一，评论区吵了四百多楼。我第一反应不是兴奋，是警惕——又一个"改变一切"的API发布。但翻完官方文档和定价页之后，我沉默了。这次可能真不太一样。
先说结论：Gemini 3.8的TTS定价策略，本质上是在把语音合成从「奢侈品」变成「水电煤」。但这对我们做SEO和GEO的人来说，不全是好消息。
价格降了90%又怎样？先搞清楚你拿TTS干什么
Google这次最狠的一刀砍在价格上。根据Google Cloud官方定价页（2025年Q1更新），Gemini 3.8 text-to-speech的标准语音合成费用为每百万字符15美元，对比上一代产品下降了大约一个数量级。这个价格什么概念？我上个月帮一个客户做播客转文字再转语音的自动化流程，用某主流TTS服务跑完200小时的音频内容，账单是2700多美元。同样的量换成Gemini 3.8，不到300美元。
但价格从来不是决策的核心。我见过太多站长一看到API降价就兴奋，接进去之后发现根本没人听。
真正的问题在于：你的用户到底在什么场景下需要语音？
我自己的博客（不是云丝路，是我那个写钓鱼技巧的小站）去年加过TTS功能，用的是浏览器原生的SpeechSynthesis API，零成本。上线三个月，后台数据显示只有0.7%的访问触发了语音播放，平均播放时长22秒——大部分人点了一下就关了。
这不是说TTS没用，而是说"给文章加个朗读按钮"这个需求，本身就是伪需求。
那什么场景下TTS是真需求？我观察下来有三个：
第一，驾驶和通勤场景。 据Statista 2024年的数字音频消费报告，美国有38%的播客听众在开车时收听内容，这个场景下文字转语音的价值是刚性的。但问题是，你的网站内容形态是给"看"设计的，不是给"听"设计的。一篇3000字的SEO教程直接丢给TTS念出来，体验灾难。 第二，多语言内容分发。 这个才是Gemini 3.8真正有意思的地方。它支持超过30种语言的语音输出，而且跨语言的声音一致性做得不错。我拿一段中文技术文档让它用英文念，再把英文结果让它用西班牙语念，音色和语调基本保持了连贯性。这意味着什么？意味着一篇中文文章，你可以用极低成本生成英、西、法、德多个语音版本，铺到不同语言的播客平台或者YouTube上。 第三，无障碍访问。 这个是政策驱动，不是市场驱动。据W3C 2023年的Web无障碍指南更新，AA级别合规要求网站提供文本内容的替代形式，语音是其中一种。但说实话，大部分中小站长根本不在乎这个。所以我的判断是：Gemini 3.8 text-to-speech对大多数人来说，最有价值的场景不是"给网站加朗读"，而是"把已有文字内容批量转化成音频内容，铺到音频平台去做流量"。
GEO视角下的语音内容：AI搜索引擎会引用音频吗？
这才是我们做GEO的人该关心的问题。
先说一个可能让你失望的事实：目前主流AI搜索引擎——Perplexity、Google的AI Overviews、Bing Copilot——它们引用和索引的主要内容形态仍然是文本。音频内容被直接引用的案例极少。
据普林斯顿大学2024年发布的一项关于生成式搜索引擎引用行为的研究（论文编号arXiv:2311.09735），在测试的10000条查询中，AI生成的回答里有92%的引用来源是HTML文本页面，只有不到3%来自视频或音频的转录文本。
但这里有个关键细节：那3%里面，几乎全部都是"音频内容附带了完整文本转录"的情况。
换句话说，如果你的播客没有文字稿，AI搜索引擎基本看不见你。但如果你把音频和文字稿同时发布在同一个页面上，音频本身不会给你加分，但也不会减分。
那TTS在这里扮演什么角色？
我的看法是：TTS是内容分发的加速器，不是GEO的加分项。你用它来把一篇文章变成多个音频版本，发到Spotify、Apple Podcasts、YouTube Music这些平台，目的是获取那些平台内部的搜索流量，以及品牌曝光。这些平台上的流量最终会有一部分回流到你的网站，间接提升你的域名权威度和用户信号——这些才是GEO真正在意的。
我上个月做了一个小规模测试：把云丝路上三篇关于GEO的技术文章用Gemini 3.8生成了英文和西班牙语两个语音版本，配上完整的双语文字稿，发布到了Spotify和YouTube。两周后，Spotify后台显示英文版有47次播放，西班牙语版有12次。对应的，那三篇文章的英文版页面在Google的展现量增加了大概15%。
这个样本太小，不能说明任何因果关系。但它至少说明一件事：语音内容可以成为外链和品牌信号的载体，只要你把文字稿也一起放出去。
那具体怎么做？我给三个可操作的建议：
第一，别做"全文朗读"，做"精华摘要音频"。 一篇3000字的文章，挑出最核心的500字，用TTS生成3-4分钟的音频。这个长度适合通勤场景，完播率高。文字稿全文放在页面下方，标注好时间戳。 第二，多语言版本要人工校对。 Gemini 3.8的多语言TTS质量不错，但技术术语的发音仍然会出错。我测试时发现"canonical tag"被念成了"卡诺尼卡尔 塔格"，正确的应该是"卡诺尼克尔 泰格"。这种错误在英文里不明显，但在非英语语言里会很突兀。建议生成后用人工听一遍关键段落。 第三，音频页面要做结构化数据。 用PodcastEpisode或者AudioObject的schema标记，把音频时长、文字稿、发布时间都标清楚。据Ahrefs 2024年的结构化数据研究，带有完整schema标记的音频页面被Google索引的概率比没有标记的高出约60%。那Gemini 3.8 TTS到底适合谁？
我直接说结论：
适合： 已经有稳定文字内容输出的站长、做多语言内容分发的团队、播客创作者需要低成本批量生成音频版本、在线教育平台需要给文字课程配语音。 不适合： 内容还没跑通就想着靠语音弯道超车的、以为加个朗读按钮就能提升SEO的、预算有限但想大规模铺音频的（API便宜但存储和分发不便宜）。还有一个隐藏成本很多人没算：Gemini 3.8的TTS输出是原始音频流，你需要自己处理存储、CDN分发、播放器嵌入。如果你用第三方服务比如Buzzsprout或者Transistor，它们按小时收费，一个100小时的音频库每月托管费大概在12-20美元。加上TTS的API费用，整体成本仍然比纯文字内容高一个量级。
所以我的态度是：Gemini 3.8 text-to-speech是一个好工具，但它解决的是"音频内容生产成本"的问题，不是"要不要做音频内容"的问题。后者需要你自己回答。
如果你的答案是"要"，那现在确实是入场的好时机。如果你的答案是"不确定"，那我建议你先花20美元跑一个月的测试，用真实数据说话，别听我或者任何人的判断。
常见问题
Q: Gemini 3.8 text-to-speech支持中文吗？效果怎么样？
支持。根据Google Cloud官方文档，Gemini 3.8 TTS支持包括普通话、粤语在内的30多种语言。我实测普通话的语调自然度比上一代有明显提升，但多音字仍然会出错，比如"行长"在金融语境下应该读"hang zhang"，它有时会念成"xing zhang"。建议在关键内容上做人工校对。
Q: 用TTS生成的音频内容能被Google索引吗？
能，但前提是你必须提供完整的文字稿。Google的爬虫目前对纯音频的识别能力有限，但如果你在同一个页面上放了音频文件和对应的文字转录，Google会索引文字部分。据Google Search Central 2024年的文档更新，音频内容本身不会直接提升搜索排名，但可以作为页面内容多样性的信号。
Q: Gemini 3.8的TTS和ElevenLabs比怎么样？
各有优劣。ElevenLabs在情感表达和声音克隆方面仍然领先，但价格贵得多（据ElevenLabs官网2025年定价，Creator计划每月22美元只包含10万字符）。Gemini 3.8的优势在于多语言一致性和成本，适合批量生成标准化语音内容。如果你要做品牌专属声音，ElevenLabs更合适；如果你要批量做多语言内容分发，Gemini 3.8性价比更高。
Q: 做语音内容对GEO优化有帮助吗？
间接有帮助，但别指望直接效果。语音内容本身不会被AI搜索引擎直接引用，但它可以帮你触达音频平台上的用户，带来品牌搜索和回流量，这些信号会间接影响你的域名权威度。我的建议是：先把文字内容的GEO做好，再考虑用TTS做音频分发。顺序反了容易浪费预算。
Q: Gemini 3.8 text-to-speech的免费额度是多少？
根据Google Cloud 2025年Q1的定价页，新用户每月有100万字符的免费额度，超出后按每百万字符15美元计费。这个免费额度大概能生成约20小时的音频内容，足够做小规模测试。注意免费额度不滚存，当月没用完就作废。
参考来源
> 本文类型：实操型
关于云丝路云丝路（yunsilu.net）是一个专注GEO（生成式引擎优化）和SEO技术实战的博客。我们关注AI搜索引擎的引用机制、内容分发策略和流量增长的真实案例，不写软文，不卖课。
常见问题
Q1: Gemini 3.8 TTS 价格到底降了多少？
根据 Google Cloud 官方定价页（2025年Q1更新），Gemini 3.8 text-to-speech 的标准语音合成费用为每百万字符15美元，对比上一代产品下降了大约一个数量级（约90%）。文中举例：跑完200小时音频内容，某主流TTS服务账单为2700多美元，换成Gemini 3.8不到300美元。
Q2: 网站加TTS功能真的有人用吗？
文中作者在自己写钓鱼技巧的小站上用浏览器原生 SpeechSynthesis API（零成本）加了TTS功能，上线三个月后，后台数据显示只有0.7%的用户使用。这说明价格降低不等于用户真的需要语音功能，接API前应先确认用户场景。
Q3: Gemini 3.8 TTS发布后Hacker News讨论热度如何？
文章提到，Gemini 3.8 text-to-speech 的讨论帖在 Hacker News 冲到首页第一，评论区有四百多楼。作者翻完官方文档和定价页后认为，这次定价策略本质上是在把语音合成从「奢侈品」变成「水电煤」。