Gemini 3.1 Flash TTS：下一代富有表现力的AI语音合成模型

今天，谷歌正式推出Gemini 3.1 Flash TTS——最新一代文本转语音模型。该模型在可控性、表现力与生成质量上均有显著提升，旨在帮助开发者、企业及普通用户构建下一代AI语音应用。

即日起，Gemini 3.1 Flash TTS将分阶段上线：

面向开发者：通过Gemini API及Google AI Studio以预览版形式开放；

面向企业用户：在Vertex AI上以预览版形式提供；

面向Workspace用户：通过Google Vids接入使用。

语音质量与可控性全面提升

谷歌对Gemini 3.1 Flash TTS的整体语音质量进行了深度优化，使其成为目前最自然、最富表现力的语音模型。在Artificial Analysis TTS排行榜（一项基于数千次盲测人类偏好的评测基准）上，该模型斩获1211分的高ELO评分。

Artificial Analysis同时将Gemini 3.1 Flash TTS评定为"最优选象限"内的模型，认为其在高质量语音生成与低成本之间实现了理想平衡。该模型还具备以下核心优势：原生支持多说话人对话、覆盖70余种语言，以及通过自然语言进行精细化创意控制。

全新音频标签，赋予语音更强表现力

Gemini 3.1 Flash TTS引入了音频标签功能，为用户提供了一种直观易用的方式，可灵活控制语音的风格、语速与表达方式。只需在文本输入中直接嵌入自然语言指令，便可对AI语音输出实现更精细的定向调控。

开发者可在Google AI Studio中体验这些音频标签及其他开发体验更新，平台提供多项可配置控件，让开发者化身"导演"，全程掌控语音生成效果：

场景导演：通过定义场景环境并提供具体的对话指令来奠定整体基调。这种世界构建式的上下文设定，有助于角色在多轮对话中保持"角色一致性"，并自然地相互呼应。

说话人级别精细设置：为每位角色分配专属音频档案，并通过"导演注记"灵活调节语速、语气与口音。借助内联标签，说话人还可在句中实时切换表达方式，突破高层级设置的限制。

无缝导出：完成语音表现的调校后，可将所有参数一键导出为Gemini API代码，确保在不同项目和平台之间保持一致、辨识度高的声音风格。

凭借上述全新配置能力，开发者可针对特定应用场景进行精准调优，打造令人印象深刻的角色形象与沉浸式音频体验。

如需亲身体验高保真语音生成效果，欢迎前往Google AI Studio Playground进行探索。

面向全球规模构建

Gemini 3.1 Flash TTS支持70余种语言，在保障高保真语音输出的同时，提供更为精准的控制能力。针对语音风格、语速及口音的深度优化，将惠及全球主要市场，助力开发者为世界各地的用户打造本地化、富有表现力的语音体验。

已率先参与测试的开发者和企业用户对Gemini 3.1 Flash TTS给予了积极评价，尤其对其出色的可控性和表现力印象深刻。他们表示，音频标签带来了前所未有的创意精准度，能够将简单的文本内容转化为高保真的声音演绎。

SynthID水印保障内容可信

Gemini 3.1 Flash TTS所生成的全部音频均嵌入了SynthID水印。这一不可感知的水印直接编织于音频输出之中，可实现对AI生成内容的可靠检测，从而有效防范虚假信息的传播。

Q&A

Q1：Gemini 3.1 Flash TTS支持哪些语言？

A：Gemini 3.1 Flash TTS支持70余种语言，并针对语音风格、语速及口音进行了深度优化，覆盖全球主要市场，可帮助开发者为不同地区的用户提供本地化、富有表现力的语音体验。

Q2：Gemini 3.1 Flash TTS的音频标签功能怎么用？

A：音频标签是一种在文本输入中直接嵌入自然语言指令的方式，可控制语音的风格、语速与表达。开发者可在Google AI Studio中体验，支持场景导演、说话人级别精细设置和无缝导出等功能，让语音生成更具表现力与创意精准度。

Q3：Gemini 3.1 Flash TTS生成的音频如何防止被滥用？

A：所有由Gemini 3.1 Flash TTS生成的音频都嵌入了SynthID水印。这是一种不可被人耳感知的隐形水印，直接编码于音频输出中，可用于可靠地检测AI生成内容，从而有效遏制虚假信息的扩散。