Google DeepMind 发布 Gemini 3.1 Flash TTS，可用音频标签控制语音表达

Apr 15, 2026

|

我们最新的音频模型引入了细粒度音频标签，让你能够精确控制并引导 AI 语音，从而实现富有表现力的音频生成。

Vilobh Meshram

高级产品经理

Max Gubin

代表 Gemini 团队的首席研究工程师

收听文章

[[duration]] 分钟

本内容由 Google AI 生成。生成式 AI 尚处于实验阶段

今天，我们推出 Gemini 3.1 Flash TTS，这是最新的文本转语音模型，在可控性、表现力和质量方面均有提升，助力开发者、企业及日常用户打造下一代 AI 语音应用。

即日起，3.1 Flash TTS 开始推出：

• 面向开发者，通过 Gemini API 和 Google AI Studio 提供预览版
• 面向企业，在 Vertex AI 上提供预览版
• 面向 Workspace 用户，通过 Google Vids 提供

提升的语音质量与可控性

我们提升了 Gemini 3.1 Flash TTS 的整体语音质量，使其成为迄今最自然、最具表现力的模型。在汇集了数千次人类盲测偏好的基准 Artificial Analysis TTS 排行榜上，3.1 Flash TTS 取得了令人印象深刻的 Elo 分数 1,211。

Artificial Analysis 还将 Gemini 3.1 Flash TTS 置于其“最具吸引力象限”，因其高质量语音生成与低成本的理想结合。该模型还凭借原生多说话人对话、对 70+ 种语言的支持，以及通过自然语言实现的细粒度创意控制而进一步脱颖而出。

全新音频标签，让语音生成更具表现力

3.1 Flash TTS 还引入了音频标签——一种控制嗓音风格、语速和表达的直观方式。通过将自然语言指令直接嵌入文本输入，你可以以更细的粒度引导 AI 语音输出。

3.1 Flash TTS 让企业能够在 Vertex AI 中使用音频标签，为下一代企业应用赋能。

3.1 Flash TTS 让你可以使用音频标签来试验语音表现力、节奏和表达。

3.1 Flash TTS 让你能够集成富有表现力的语音功能，将标准天气应用变成引人入胜的体验。

3.1 Flash TTS 支持一系列音频标签，为同义词寻词应用增添细腻、引人入胜的表达。

你可以在 Google AI Studio 中开始试用这些音频标签以及其他开发者体验更新，其中可配置的控件让开发者坐上“导演席”：

• 场景指导：通过定义环境并提供具体的对白指示来搭建场景。这种世界观构建上下文有助于角色保持“人设”，并在多轮对话中自然地相互回应。
• 说话人级精细控制：使用独特的 Audio Profiles 来为角色选角，然后指定 Director’s Notes 以切换语速、语气和口音。借助 行内标签，说话人可以在这些高层设置的基础上于句中改变表达。
• 无缝导出：表演完善后，这些确切参数可以导出为 Gemini API 代码，以确保在不同项目和平台上获得一致、可辨识的声音。

借助这些新配置，开发者可以针对特定场景提升精度，打造令人难忘的角色和沉浸式音频体验。

为全球规模而构建

Gemini 3.1 Flash TTS 可在 70 多种语言中提供高保真语音和更精确的控制。这些核心优化将先进的风格、语速和口音控制带到主要市场——帮助开发者为全球规模的用户打造本地化、富有表现力的语音体验。

早期的开发者和企业测试人员已经看到了 3.1 Flash TTS 的影响，并着重指出其出色的可控性与表现力。他们告诉我们，音频标签带来了全新的创作精度，将简单文本转化为高保真的人声表演。

带有 SynthID 水印

Gemini 3.1 Flash TTS 生成的所有音频均带有 SynthID 水印。这种难以察觉的水印直接交织在音频输出中，从而能够可靠地检测 AI 生成的内容，以帮助防止虚假信息。如需进一步了解我们在安全与责任方面的做法，您可以查阅模型卡。

在收件箱中获取来自 Google 的最新资讯

订阅我们的新闻通讯，获取产品更新、活动信息、特别优惠及更多内容。

您的信息将按照Google 的隐私权政策。使用。您可以随时选择退出。