Google 推出 Gemini 3.1 Flash TTS：支援文本標籤導演語氣

以往讓 AI 念臺詞，最怕的就是那種抹不掉的播音腔。哪怕文字寫得再跌宕起伏，模型讀出來往往也是四平八穩，一旦想讓它在某一句話裡突然壓低聲音或者帶點抽泣，開發者通常得把文本切得稀碎，分段調引數再拼起來。

Google 今天推出的 Gemini 3.1 Flash TTS，就是想把這個彆扭的流程改掉。他們拿出了一個主打高表現力和精細控制的語音模型，最直接的賣點，是允許你在文本里像寫劇本批註一樣打上音訊標籤，直接用自然語言指揮 AI 怎麼發音。

目前這個模型已經上線預覽。開發者可以通過 Gemini API 和 Google AI Studio 呼叫，企業客戶能在 Vertex AI 上測試，而普通辦公使用者則可以在影片製作工具 Google Vids 裡直接用上。

像導演給演員講戲一樣調語音

這次更新最顯眼的技術點是音訊標籤。說白了，你不需要再去擺弄複雜的聲學引數，直接在臺詞中間塞進自然語言指令就行，模型能理解並在句中直接切換語氣、語速或者情緒。

在配套的 Google AI Studio 裡，Google 索性把介面做成了一個導演臺。首先是場景指導，你可以先交代這段對話發生在哪裡，比如是在嘈雜的酒館還是空曠的走廊，模型會據此維持角色在多輪對話裡的人設和空間感。

其次是角色分配。你可以給每個角色繫結特定的音訊配置，再寫上一段導演備註來調整口音和整體基調，遇到需要突變的情緒，就用行內標籤讓角色唸到一半突然拔高聲調。

當你在控制台裡把這一齣戲除錯滿意之後，系統支援把所有引數直接匯出成 Gemini API 程式碼，方便塞進自己的工程專案裡，保證多端呼叫時的聲音一致。

效能方面，該模型在第三方評測機構 Artificial Analysis 的 TTS 排行榜上拿到了 1211 的 Elo 評分，被排在兼顧高音質與低成本的最優象限。此外，它原生支援多人對話，覆蓋超過 70 種語言，而且生成的每段音訊都會強制打上人耳聽不見的 SynthID 水印，用來追溯 AI 生成來源。

為什麼重要

做遊戲 NPC 對話、有聲書或者短影片旁白的人，很清楚調語音有多折磨人。過去為了讓一句話帶有譏諷或疲憊的語氣，要麼依賴專門微調的聲音模型，要麼靠後期工程硬修。現在直接通過行內標籤用自然語言打拍子，意味著內容創作者和獨立開發者可以用極低的試錯成本，批次做出情緒飽滿的多人廣播劇或互動劇本，門檻被大幅拉低了。

在行業層面，這看起來是 Google 在對標 ElevenLabs 等頭部語音創業公司。以往大廠的 TTS 模型往往只追求讀得清晰、延遲夠低，把情緒表達的市場留給了垂直玩家。但當 Gemini 3.1 Flash TTS 把多語言、多角色、情緒標籤和低推理成本打包塞進 API 時，獨立語音服務商的護城河正在被快速侵蝕。

我們覺得 Google 這次最聰明的地方，在於把調音體驗做成了程式碼匯出的閉環，開發者在 Playground 裡像排話劇一樣把情緒對齊，轉頭就能把配置搬進生產環境。但隱患也同樣存在。自然語言標籤對情緒的控制粒度究竟有多穩定，會不會在不同語種之間產生理解偏差，依然需要大規模實測。另外，儘管有 SynthID 兜底，這種高度擬真且極易控制情緒的語音生成能力，在電信反詐和聲音冒充方面的防禦壓力，也肯定會水漲船高。