Google 推出 Gemini 3.1 Flash TTS：支持 70 种语言与场景导演，AI 语音更自然

Google AI 开发者关系负责人 Logan Kilpatrick 于 4 月 15 日宣布推出 Gemini 3.1 Flash TTS——Google 最新的文字转语音模型。这款模型支持 70 种语言、场景导演（scene direction）、说话者级别的精细控制与音频标签，目前已在 Google AI Studio 的音频 playground 和 Gemini API 中开放使用。

四大核心功能

Gemini 3.1 Flash TTS 相较于前代有四项显著升级：

场景导演（Scene Direction）—— 可以为语音设置情境，例如“在嘈杂的咖啡厅中低声说话”或“兴奋地宣布好消息”，模型会根据场景调整语调、语速和情绪

说话者级别控制（Speaker-Level Specificity）—— 在多角色对话中，可以为每个角色设置不同的声音特征

音频标签（Audio Tags）—— 支持在文本中插入音效指令，控制停顿、语气变化等细节

70 种语言支持—— 大幅扩展多语言覆盖，包含中文

更自然、更有表现力的声音

Google 强调这款模型在语音自然度上的进步。传统 TTS 模型的输出常被批评为“听起来像 AI”，Gemini 3.1 Flash TTS 试图通过更丰富的韵律变化和情绪表达来缩小与人类语音的差距。Kilpatrick 指出，从 Gemini 2.5 到 3.1 的进步“非常显著”。

开发者如何使用

开发者可通过两种方式使用：

Google AI Studio 音频 Playground—— 直接在网页界面中测试和预览语音效果

Gemini API—— 整合至应用程序中，用于语音助理、有声书、Podcast 自动生成、多语言客服等场景

Gemini 产品线持续扩张

Flash TTS 是 Gemini 3.1 系列近期密集发布的一环。此前 Google 已推出 Gemini Robotics ER 1.6（机器人视觉推理）、Tab Tab Tab（Vibe Coding prompt 补全）和设计预览等功能。Google 正在将 Gemini 从“聊天模型”扩展为涵盖文字、语音、视觉、机器人的全模态 AI 平台。

这篇文章 Google 推出 Gemini 3.1 Flash TTS：支持 70 种语言与场景导演，AI 语音更自然 最早出现在 链新闻 ABMedia。