为对话角色分别分配声音
提供准确两个不同角色别名，并为各自选择支持声音。排练记录将 Puck 分配给 Actor，将 Kore 分配给 Director，再标明交替台词，可以通过完整场景检查角色切换与表达。
Gemini 3.1 Flash TTS narration and two-speaker dialogue
Gemini 3.1 Flash TTS 可以将文本转换为多语言旁白或双人对话。从 30 种声音中选择，通过 style_instructions 描述目标表达，并在需要改变情绪或节奏的位置放置音频标签。对话为两个角色别名分别分配声音，并在文本中标明对应发言。根据工作流选择语言、temperature，以及 MP3、WAV 或 Ogg Opus 输出，再完整试听录音。费用估算同时包含朗读文本和风格指令中的 Unicode 字符。
Gemini 3.1 Flash TTS 由 Google 开发，Vidgo 提供模型调用服务。模型名称与商标归各自所有者所有。探索 Gemini 3.1 Flash TTS 模型
单人旁白使用 voice，双人对话通过 speakers 提供准确两个不同别名与各自声音。在 text 中填写文字和内嵌提示，在 style_instructions 中描述整体表演方向，再打开现有任务选择输出设置，查看完整字符估算后生成。
Gemini 3.1 Flash TTS 朗读文本与双人对话输入
text 字段包含朗读文字、音频标签与对话标签，style_instructions 提供整体语气、节奏或口音依据。双人模式使用由字母、数字或下划线组成的 speaker_id，在每句发言前写相应别名与冒号。可以选择支持的语言值，或让模型根据文本判断语言。
| 模型 / 任务 | 输入与工作流 |
|---|---|
| Gemini 3.1 Flash TTS Text to Speech | 使用 30 种声音、风格指令与富有表现力的音频标签，创建多语言旁白和双人对话。 |
Gemini 3.1 Flash TTS：双人对话与语音风格控制
已有记录包括两种声音的英文排练、中文摄影导览与英式英语自行车解说，各组拥有独立文本、风格方向和声音设置。聆听这些录音，结合实际输入了解角色分配、表达提示与输出配置的使用方式。
描述旁白的整体表达
使用单一声音，并通过 style_instructions 提供语气、节奏、强调或口音依据。中文画廊记录选择 Sulafat，要求温暖自然的朗读与轻柔停顿，可以结合照片说明检查旁白。
引导段落中的情绪强度变化
在需要改变节奏或情绪的文字旁放置合适标签，并结合明确风格要求。自行车记录从专注解说发展为冲刺与温暖收束，可以通过返回音频检查清晰度和转折。
Actor: [whispers] You're early. The curtain isn't up yet. Director: Same words again. This time, you've been waiting years to see them. Actor: [excitement] You're early! The curtain isn't up yet! Director: [laughs] There it is. Keep that smile. We're ready.
在上下文中编写对话标签与提示
在每句前写分配的角色别名，并在表达变化的位置描述要求。展示的排练文本为原始英文输入，包含 Actor/Director 标签与低语或兴奋提示，可以结合完整文本检查实际发言。
{
"style_instructions": "A warm Mandarin photography gallery guide. Speak naturally with gentle pauses. Softly emphasize the light in the window. Read only the Chinese narration, without speaking the bracketed directions.",
"voice": "Sulafat",
"language_code": "Chinese Mandarin (China)",
"temperature": 1,
"output_format": "mp3"
}选择语言、变化程度与音频格式
选择支持的语言值、0 至 2 的 temperature，以及 mp3、wav 或 ogg_opus 输出。展示的画廊设置保留实际中文语言值、Sulafat 声音与 MP3 输出，请根据播放或编辑需求选择配置，并试听结果。
Gemini 3.1 Flash TTS 双人排练与中文旁白案例
排练请求为 Actor 与 Director 分配独立声音，并要求 Actor 以不同情绪重复一句台词。画廊请求提供关于街灯倒影与暖色窗光的中文旁白，并描述轻柔表达方向。聆听对应结果时，结合原始文本、含义译文与完整设置，检查声音切换、停顿和强调。
原始朗读文本与释义
原始英文朗读文本： Actor: [whispers] You're early. The curtain isn't up yet. Director: Same words again. This time, you've been waiting years to see them. Actor: [excitement] You're early! The curtain isn't up yet! Director: [laughs] There it is. Keep that smile. We're ready. 中文释义： Actor：[低语] 你来早了。幕还没有拉开。 Director：再说一次同样的话。这一次，你已经盼着见到对方好多年了。 Actor：[兴奋] 你来早了！幕还没有拉开！ Director：[笑] 就是这样。保持这个笑容。我们准备好了。 风格指令释义： 一场亲近的剧院排练。Actor 从神秘的低语转为欣喜地认出对方；Director 平静、温暖，带着轻微笑意。两种声音保持可区分，不朗读角色标签或提示标签。
{
"style_instructions": "An intimate theatre rehearsal. Actor shifts from a secretive whisper to delighted recognition. Director is calm, warm and lightly amused. Keep both voices distinct; do not read speaker labels or tags aloud.",
"speakers": [
{
"speaker_id": "Actor",
"voice": "Puck"
},
{
"speaker_id": "Director",
"voice": "Kore"
}
],
"language_code": "English (US)",
"temperature": 1,
"output_format": "mp3"
}原始朗读文本与释义
原始中文朗读文本： 请看照片右侧的雨伞。[short pause] 伞面上的水珠，映着街边的灯光。再看远处那扇窗。[slow] 一点暖光，照亮了安静的小巷。摄影把匆匆经过的日常，留成了值得细看的风景。 风格指令释义： 温暖的中文摄影画廊导览，朗读自然并使用轻柔停顿，柔和强调窗户中的光，只朗读中文旁白，不朗读方括号中的指令。
{
"style_instructions": "A warm Mandarin photography gallery guide. Speak naturally with gentle pauses. Softly emphasize the light in the window. Read only the Chinese narration, without speaking the bracketed directions.",
"voice": "Sulafat",
"language_code": "Chinese Mandarin (China)",
"temperature": 1,
"output_format": "mp3"
}Gemini 3.1 Flash TTS 的创作应用场景
准备旁白文本或双角色对话，分配声音并描述目标表演方式，按照所选格式生成，完整聆听结果后，可以用于故事对白、画廊导览、教学讲解、赛事解说、本地化旁白或应用语音。
双人对白构思
为两个命名角色编写交替台词并分别分配声音，通过风格指令描述关系和表达，再检查生成场景中的发言切换与情绪发展。
画廊与博物馆旁白
准备物体或图像说明，指出关注位置如何变化，选择声音与清楚表达风格，再检查节奏和强调，用于音频导览。
教学讲解
编写包含清楚示例与计划停顿的讲解，描述目标朗读风格，再检查术语、发音和连贯性，供课程使用。
赛事解说原型
描述赛事过程，在情绪强度变化处使用表达提示，再检查完整语音中的清楚文字、情绪上升与最终反应，用于解说构思。
本地化旁白
使用目标语言准备实际文本，选择支持的语言值与声音，分别试听各版本发音、节奏和风格后，用于本地化体验。
创作应用中的语音
收集文本、风格方向，以及单一声音或双人声音分配，按照文档提交请求，通过任务 ID 获取完成音频，并保留所选格式供播放或后续编辑。
Gemini 3.1 Flash TTS 模型规格与 API 价格
Gemini TTS 将 text 与 style_instructions 的 Unicode 字符相加，使用当前每 1,000 字符单价计费。现有任务统计提供的完整字符串，包括空格与内嵌表达标签，并按比例计算金额。下方动态表格展示当前字符单价，请在任务中填写两个完整字段，提交前查看整次估算，并按照实际输入长度安排修改录音。
| 模型 | 厂商 | 任务类型 | 输入素材 | 音频格式 | 起价 |
|---|---|---|---|---|---|
| Gemini 3.1 Flash TTS Text to Speech | 文字转语音 | 文本，单人或双人声音 | MP3 / WAV / OGG_OPUS | $0.12 / 1,000 输入字符 |
如何在 Vidgo 使用 Gemini 3.1 Flash TTS
先在线测试创作方案， 再将确认后的请求接入应用。
在线体验
使用计划中的参数生成结果
打开 Gemini TTS 任务，填写完整文本与风格指令，设置旁白或两个角色、语言、temperature 和输出格式，再查看合计字符估算。生成后完整聆听全部发言，检查发音、情绪、停顿与角色变化，再使用音频。
为何在 Vidgo 使用 Gemini 3.1 Flash TTS
选择对应任务，查看参数与费用，并将在线测试中的素材和设置用于经过身份验证的 API 请求。
创作测试与任务选择
围绕创作目标选择输入
准备单人旁白或准确两个对话角色。旁白选择一个声音，对话则准备不同角色别名，为各自分配声音，并在文本中使用相应标签。增加风格方向与可选内嵌提示，再选择语言、temperature 和输出格式。
试听朗读文字与声音设置
打开 Gemini TTS 任务，填写完整文本与风格指令，设置旁白或两个角色、语言、temperature 和输出格式，再查看合计字符估算。生成后完整聆听全部发言，检查发音、情绪、停顿与角色变化，再使用音频。
生成前查看费用估算
计算文本和风格指令中的 Unicode 字符，包括提供的空格和表达标签，使用任务当前每 1,000 字符单价，并在每次录音前查看合计估算。
API 接入与结果管理
参考完整的真实生成案例
结合原始朗读文本与声音设置聆听结果，译文用于说明含义，并保留录音原本的朗读语言。将请求用于自己的文字前，请检查发音、节奏与表达。
通过任务 ID 跟踪每次生成
保存 API 返回的任务 ID，用于查询生成状态并获取完成文件的地址。通过在线生成记录回看先前结果与测试过的创作方向。
按照所选任务的文档完成接入
通过各任务提供的文档查看准确的模型标识、支持的输入、身份验证方法与响应格式。接入已经在线测试过的任务，使请求中的素材与设置保持一致。
Gemini 3.1 Flash TTS API 常见问题
Gemini 3.1 Flash TTS 是 Vidgo 提供的 Google 语音模型，用于旁白与准确双人对话。它提供 30 种声音、多语言输入、风格指令、内嵌音频标签、temperature 控制，以及 MP3/WAV/Ogg Opus 输出。text 字段最多接受 50,000 个 Unicode 字符。
探索更多模型系列
推荐阅读
阅读语音模型介绍、API 指南与平台比较，了解文本准备、声音控制、接入与按字符计算的费用。
