Google 推出 Gemini 3.1 Flash TTS：支持文本标签导演语气

以往让 AI 念台词，最怕的就是那种抹不掉的播音腔。哪怕文字写得再跌宕起伏，模型读出来往往也是四平八稳，一旦想让它在某一句话里突然压低声音或者带点抽泣，开发者通常得把文本切得稀碎，分段调参数再拼起来。

Google 今天推出的 Gemini 3.1 Flash TTS，就是想把这个别扭的流程改掉。他们拿出了一个主打高表现力和精细控制的语音模型，最直接的卖点，是允许你在文本里像写剧本批注一样打上音频标签，直接用自然语言指挥 AI 怎么发音。

目前这个模型已经上线预览。开发者可以通过 Gemini API 和 Google AI Studio 调用，企业客户能在 Vertex AI 上测试，而普通办公用户则可以在视频制作工具 Google Vids 里直接用上。

像导演给演员讲戏一样调语音

这次更新最显眼的技术点是音频标签。说白了，你不需要再去摆弄复杂的声学参数，直接在台词中间塞进自然语言指令就行，模型能理解并在句中直接切换语气、语速或者情绪。

在配套的 Google AI Studio 里，Google 索性把界面做成了一个导演台。首先是场景指导，你可以先交代这段对话发生在哪里，比如是在嘈杂的酒馆还是空旷的走廊，模型会据此维持角色在多轮对话里的人设和空间感。

其次是角色分配。你可以给每个角色绑定特定的音频配置，再写上一段导演备注来调整口音和整体基调，遇到需要突变的情绪，就用行内标签让角色念到一半突然拔高声调。

当你在控制台里把这一出戏调试满意之后，系统支持把所有参数直接导出成 Gemini API 代码，方便塞进自己的工程项目里，保证多端调用时的声音一致。

性能方面，该模型在第三方评测机构 Artificial Analysis 的 TTS 排行榜上拿到了 1211 的 Elo 评分，被排在兼顾高音质与低成本的最优象限。此外，它原生支持多人对话，覆盖超过 70 种语言，而且生成的每段音频都会强制打上人耳听不见的 SynthID 水印，用来追溯 AI 生成来源。

为什么重要

做游戏 NPC 对话、有声书或者短视频旁白的人，很清楚调语音有多折磨人。过去为了让一句话带有讥讽或疲惫的语气，要么依赖专门微调的声音模型，要么靠后期工程硬修。现在直接通过行内标签用自然语言打拍子，意味着内容创作者和独立开发者可以用极低的试错成本，批量做出情绪饱满的多人广播剧或互动剧本，门槛被大幅拉低了。

在行业层面，这看起来是 Google 在对标 ElevenLabs 等头部语音创业公司。以往大厂的 TTS 模型往往只追求读得清晰、延迟够低，把情绪表达的市场留给了垂直玩家。但当 Gemini 3.1 Flash TTS 把多语言、多角色、情绪标签和低推理成本打包塞进 API 时，独立语音服务商的护城河正在被快速侵蚀。

我们觉得 Google 这次最聪明的地方，在于把调音体验做成了代码导出的闭环，开发者在 Playground 里像排话剧一样把情绪对齐，转头就能把配置搬进生产环境。但隐患也同样存在。自然语言标签对情绪的控制粒度究竟有多稳定，会不会在不同语种之间产生理解偏差，依然需要大规模实测。另外，尽管有 SynthID 兜底，这种高度拟真且极易控制情绪的语音生成能力，在电信反诈和声音冒充方面的防御压力，也肯定会水涨船高。