Google Gemini 3.1 Flash TTS

音訊標籤是頭號功能。你把自然語言指令直接寫進文字裡，例如 [very fast] 或 [sarcastically, one slow word at a time]，模型就會照著演。沒有固定清單，所以你可以用平常的字詞寫標籤，模型會盡力解讀。你也可以加入 [cough]、[sighs] 或 [gasp] 這類非語言聲音。標籤短短幾個字，效果卻很大。

Gemini 3.1 Flash TTS 涵蓋 70 多種語言，並提供地區口音，而不是單一平板的口吻，所以同一份腳本聽起來可以真的很在地，而不是被翻成一個通用聲音。以英文為例，就包含 Southern US、California Valley、Brixton 與標準英式等口音。模型會自動偵測你輸入的語言，所以你不必手動標記。

模型能在單一輸出中生成多個聲音，並讓每一道聲音在各輪對話之間保持一致。你為每個角色指定一份音訊設定檔，再用導演筆記切換各講者的節奏、語氣與口音。長篇對話不會講到一半就飄向同一個聲音。

場景指導為整段錄音設定脈絡。你描述場景與對話指示。模型會用這些世界觀設定讓角色維持在角色裡。設定成緊張偵訊室的場景，讀起來就和深夜便利商店不同，而模型會回應這些提示。同一份腳本，換個房間，詮釋就跟著變。

在 Artificial Analysis 的 TTS 排行榜上，這是以數千筆盲測人類偏好建立的基準，根據 Google 的說法，這個模型拿下 1,211 的 Elo 分數。該公司稱它是至今最自然、最具表現力的語音模型。Artificial Analysis 也把它放進品質與成本平衡的「最具吸引力象限」。數字只能說明一部分，但這個分數已讓它接近頂端。

模型生成的每一段音訊都帶有 SynthID 浮水印，這是 Google 的隱形、可機器驗證標記，會跟著音訊一起走，並能用 Google 提供的工具確認。它讓平台與稽核方確認音訊出自這個模型。對於擔心聲音複製與假訊息的發佈者來說，這是內建的來源查核，而不是額外加裝的東西。

當你在 AI Studio 調好一個聲音後，可以把整份設定匯出成 Gemini API 程式碼。這能讓角色的聲音在不同專案之間保持一致，所以你不必每次換應用就從頭重建一個聲音。想在兩個不同產品裡用同一個旁白？匯出一次，到處重用。