Gemini 3.1 Flash TTS Text to Speech API

google/gemini-3.1-flash/text-to-speech

Gemini 3.1 Flash TTS Text to Speech 将文稿转为多语言配音,支持双人对话与风格指令。用语音标签引导局部停顿和情感,为角色分配不同音色。

输入
必填257 / 50,000
选填
Speakers
选填
选填
选填
Output
音频已就绪
$0.120 / 千字符 · 24 credits / 千字符 · Text + Style Instructions
探索更多音频模型

示例

雨巷里的一点暖光

雨巷里的一点暖光 — 用自然的普通话、轻重音和舒缓停顿,引导视线走进摄影作品。

半个车轮的胜负

半个车轮的胜负 — 英式赛事解说,从紧张加速到冲线欢呼,再回落为赞叹。

Gemini 3.1 Flash TTS Text to Speech

Gemini 3.1 Flash TTS Text to Speech 是 Google 的语音生成模型,可将文稿转为旁白或双人对话。它结合整段风格指令、局部语音标签与说话人音色配置,引导语气、节奏和角色表达。为播客主持人与嘉宾分别设定声音,或将本地化课程文稿制作成配音,试听后导出音频用于剪辑。

为什么选择 Gemini 3.1 Flash TTS

  • 一次生成双人对话为主持人与嘉宾分别配置音色,用台词前缀标记发言者,在一次请求中生成完整对话,减少逐句制作与拼接的步骤。

  • 用自然语言指导整段表达直接描述角色、语气、口音与节奏,为课程讲解、故事旁白或产品介绍设定整体表达方向。

  • 在台词中安排局部变化在具体位置标记停顿、低语或笑声,让重要句子、情绪转折和角色反应各有表达,便于逐段试听与调整。

  • 从 30 种预设音色中选角用同一段文稿比较 Kore、Puck、Zephyr 等预设声音,为旁白选择音色,或为对话中的两位角色搭配不同声音。

  • 将本地化文稿制作成配音结合语言自动识别或指定语言,将已翻译的课程和产品文稿转为语音,并通过风格指令指导各语言版本的朗读方式。

参数说明

参数是否必填用途说明
text必填

输入 1–50,000 个 Unicode 字符,包含空格、换行和语音标签。双人台词以对应 Speaker Id 加冒号开头。

style_instructions可选

描述整段语音的语气、节奏、口音和情感。

voice可选

单人语音从 30 种预设音色中选择,默认 Kore。

默认值Kore
speakers可选

为两位说话人分别填写唯一 Speaker Id 并选择 Voice,台词前缀与对应别名保持一致。

language_code可选

选择语言值,或根据 Text 自动识别语言。

temperature可选

设置 0–2 的语音变化程度,较高值增加表达变化,默认 1。

默认值1
output_format可选

选择 mp3 用于播放、wav 用于无压缩后期制作,或 ogg_opus 用于紧凑音频,默认 mp3。

默认值mp3
speakers[].speaker_id每位说话人必填

使用字母、数字和下划线组成唯一别名,并在 Text 中为对应台词添加该别名前缀。

speakers[].voice每位说话人必填

从 30 种预设音色中选择该说话人的 voice。

创建旁白或对话

  1. 准备台词在 Text 中填写朗读内容,用标点组织句子,在需要的位置添加语音标签。

  2. 分配说话人单人旁白选择 Voice;双人对话填写 Speakers[0].Speaker Id 与 Speakers[1].Speaker Id,分别选择对应 Voice,并在台词前加上别名和冒号。

  3. 设置表达并提交用 Style Instructions 描述语气与节奏,选择 Language Code 和 Output Format,核对预估费用后点击 Run。

  4. 试听并导出在输出区试听角色与停顿,使用下载菜单保存音频;调整台词或风格指令后可再次生成。

用量与价格

语音生成按 Text 与 Style Instructions 的 Unicode 字符总数计费,每 1,000 字符 $0.120(24 credits)。

用量项目费率计算方式
语音生成$0.120 / 1K chars总计 1,000 字符为 24 credits;500 字符为 12 credits($0.060)。
字符计数Text + Style Instructions按 Unicode 码点计算,包括空格、换行与语音标签。😀 这样的单码点 emoji 计为一个字符。

语音应用场景

  • 双人播客将主持人与嘉宾的台词分配给不同音色,制作访谈片段或问答节目。

  • 产品讲解用清晰的节奏介绍产品功能,在重点句前加入停顿,便于配合演示画面剪辑。

  • 多语言课程将已本地化的课程文稿转为语音,沿用选定音色和风格指令组织系列内容。

语音创作提示

  • 将整段的角色、语气和语速写入 Style Instructions,例如“温暖的课程讲师,语速平稳,重点词稍作停顿”。
  • 把 [short pause]、[whispering] 或 [laughing] 放在需要变化的台词位置,先试听一小段。
  • 双人对话保持别名唯一,并让每轮台词的前缀与对应 Speaker Id 完全一致。
  • 用同一段文稿比较音色,再沿用选定声音与风格指令制作完整内容。

准备双人台词

  • 两位说话人使用不同别名,并在每轮台词前填写对应别名和冒号,例如 Host: 或 Guest:。
  • 整段表达方向填写在 Style Instructions,局部停顿和情感变化写入 Text 中的语音标签。

Gemini 3.1 Flash TTS Text to Speech API 常见问题

Gemini 3.1 Flash TTS Text to Speech API 是什么?

Gemini 3.1 Flash TTS Text to Speech 是 Google 用于将文稿转为旁白与对话的语音生成模型。它支持 30 种预设音色、双人对话和多语言表达,适合播客、课程与产品配音。整段风格指令与局部语音标签分别指导整体语气和具体台词,双人配置为每位角色指定声音。你可以通过 API 进行程序化调用,也可以在体验标签页直接在线试用。

Gemini 3.1 Flash TTS 如何生成双人对话?

为两位说话人分别设置音色和唯一别名,并在每轮台词前填写对应别名与冒号。双人对话使用 Speakers 中的音色配置;别名由字母、数字和下划线组成。

Gemini 3.1 Flash TTS 有哪些预设音色?

可从 30 种预设音色中选择,包括 Kore、Puck 和 Zephyr,单人语音默认使用 Kore。用同一段台词试听不同声音,再为旁白或对话角色选择音色。

Gemini 3.1 Flash TTS 如何控制整段风格?

在 Style Instructions 中描述整段语音的语气、节奏、口音和情感,例如温暖的讲解或平稳的叙述。将需要朗读的台词放在 Text 中,便于分别调整内容和表达方式。

Gemini 3.1 Flash TTS 如何使用局部语音标签?

在台词需要变化的位置加入 [short pause]、[whispering] 或 [laughing],分别引导短暂停顿、低语或笑声。先试听带标签的短句,再将选定的表达方式用于完整文稿。

Gemini 3.1 Flash TTS 如何生成中文配音?

输入中文文稿,在 Language Code 中选择 Chinese Mandarin (China) 或 Chinese Mandarin (Taiwan)。也可使用自动识别,让模型根据文稿选择语言,再通过风格指令描述朗读节奏。

Gemini 3.1 Flash TTS 接受多长的文稿?

Text 接受 1–50,000 个 Unicode 字符,空格、换行和语音标签均计入长度。较长内容可按章节准备,先确认短段落的音色和节奏,再生成完整章节。

Gemini 3.1 Flash TTS 提供哪些音频格式?

Output Format 可选择 mp3、wav 或 ogg_opus,默认 mp3。MP3 适合日常播放,WAV 适合后期剪辑,Ogg Opus 适合需要紧凑文件的音频流程。