Google Gemini 3.1 Flash TTS

Audio-Tags sind die Hauptfunktion. Du bettest Anweisungen in natürlicher Sprache direkt in den Text ein, etwa [very fast] oder [sarcastically, one slow word at a time], und das Modell spielt entsprechend. Es gibt keine feste Liste, also kannst du Tags in einfachen Worten schreiben, und das Modell versucht sein Bestes, sie zu deuten. Du kannst auch nonverbale Laute wie [cough], [sighs] oder [gasp] hinzufügen. Kurze Tags, große Wirkung.

Gemini 3.1 Flash TTS deckt mehr als 70 Sprachen ab und bietet regionale Akzente statt eines gleichförmigen Registers, sodass dasselbe Skript wirklich lokal klingen kann und nicht wie in eine generische Stimme übersetzt. Englisch etwa enthält Akzente wie Southern US, California Valley, Brixton und Standard British. Das Modell erkennt die Sprache deiner Eingabe selbst, also markierst du sie nicht von Hand.

Das Modell erzeugt mehrere Stimmen in einer einzigen Ausgabe und hält jede über die Sprechbeiträge hinweg gleich. Du weist jeder Figur ein Audioprofil zu und setzt dann Regienotizen, um Tempo, Ton und Akzent pro Sprecher umzuschalten. Lange Gespräche driften nicht mittendrin in dieselbe Stimme ab.

Die Szenenregie legt den Kontext für eine ganze Aufnahme fest. Du beschreibst den Schauplatz und die Dialoganweisungen. Das Modell nutzt dieses World-Building, um Figuren in ihrer Rolle zu halten. Eine Szene, die als angespannter Verhörraum angelegt ist, liest sich anders als ein nächtlicher Convenience Store, und das Modell reagiert auf diese Hinweise. Dasselbe Skript, anderer Raum. Der Vortrag verschiebt sich.

Auf der TTS-Bestenliste von Artificial Analysis, einem Maßstab aus Tausenden blinden menschlichen Präferenzen, erreichte das Modell laut Google einen Elo von 1.211. Das Unternehmen nennt es sein bislang natürlichstes und ausdrucksstärkstes Sprachmodell. Artificial Analysis setzte es zudem in seinen "attraktivsten Quadranten" für das Verhältnis von Qualität und Kosten. Zahlen tragen nur bis zu einem Punkt, aber diese Wertung bringt es nahe an die Spitze.

Jeder vom Modell erzeugte Clip trägt ein SynthID-Wasserzeichen, Googles unsichtbare und maschinell prüfbare Markierung, die mit dem Audio mitläuft und sich mit von Google bereitgestellten Werkzeugen bestätigen lässt. Sie erlaubt Plattformen und Prüfern zu bestätigen, dass das Audio vom Modell stammt. Für Verlage, die sich um Stimmklone und Falschinformation sorgen, ist das eine eingebaute Herkunftsprüfung und kein Zusatz.

Wenn du eine Stimme in AI Studio eingestellt hast, kannst du die ganze Konfiguration als Code für die Gemini-API exportieren. Das hält den Klang einer Figur über Projekte hinweg gleich, sodass du eine Stimme nicht bei jedem App-Wechsel von Grund auf neu baust. Du willst denselben Erzähler in zwei verschiedenen Produkten? Einmal exportieren. Überall wiederverwenden.