Google 发布 Gemini 3.1 Flash TTS，支持音频标签和自然语言语音控制

2026年4月15日

|

我们最新的音频模型引入了细粒度的音频标签，让您能够精确控制AI语音，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

此内容由Google AI生成。生成式AI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，提供了更好的可控性、表现力和质量——赋能开发者、企业和日常用户构建下一代AI语音应用。

从今天起，3.1 Flash TTS开始推出：

• 面向开发者的预览版，可通过Gemini API和Google AI Studio获取
• 面向企业的预览版，可在Vertex AI上获取
• 面向Workspace用户，通过Google Vids获取

改进的语音质量和可控性

我们改进了Gemini 3.1 Flash TTS的整体语音质量，使其成为迄今为止最自然、最富有表现力的模型。在Artificial Analysis TTS排行榜（一个包含数千次盲测人类偏好的基准测试）上，3.1 Flash TTS取得了令人瞩目的Elo评分1211分。

Artificial Analysis还将Gemini 3.1 Flash TTS列入了其“最具吸引力象限”，因为它在高质量语音生成和低成本之间实现了理想平衡。该模型还凭借原生多说话人对话、支持70多种语言以及通过自然语言进行细粒度创意控制而脱颖而出。

新的音频标签带来更富有表现力的语音生成

3.1 Flash TTS还引入了音频标签——一种直观控制声音风格、节奏和演绎方式的方法。通过直接在文本输入中嵌入自然语言命令，您可以用更细的粒度来控制AI语音输出。

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

3.1 Flash TTS让您可以使用音频标签来试验语音的表现力、节奏和演绎方式。

3.1 Flash TTS让您可以集成富有表现力的语音能力，将普通的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，可为同义词寻宝应用添加细腻且引人入胜的演绎。

您可以开始尝试这些音频标签，以及Google AI Studio中开发者体验的其他更新，可配置的控制让开发者坐上“导演椅”：

• 场景指示：通过定义环境并提供具体的对话指令来设定舞台。这种世界构建上下文有助于角色在多轮对话中保持“角色一致性”，并自然地相互回应。
• 说话人级别特异性：使用独特的音频配置文件来“选角”，然后指定导演笔记以切换节奏、语气和口音。使用内联标签，说话者可以在句子中途偏离这些高级设置来改变表达。
• 无缝导出：一旦表演完善，这些精确参数可以导出为Gemini API代码，确保在不同项目和平台上保持一致且可识别的语音。

借助这些新配置，开发者可以在特定场景中提高精确度，创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 提供高保真语音，并在70多种语言中实现更精确的控制。这些核心优化为主要市场带来了先进的风格、语速和口音控制——帮助开发者在全球范围内为用户打造本地化、富有表现力的语音体验。

早期开发者与企业测试者已经看到了 3.1 Flash TTS 的影响，并强调了其令人印象深刻的控制力和表现力。他们告诉我们，音频标签如何提供了新的创意精度水平，将简单的文本转化为高保真的声音表演。

使用 SynthID 加水印

Gemini 3.1 Flash TTS 生成的所有音频均使用 SynthID 加水印。这种不可感知的水印直接嵌入音频输出中，能够可靠地检测 AI 生成的内容，从而帮助防止虚假信息。有关我们的安全与责任方法的更多信息，您可以查看 模型卡。

在您的收件箱中获取来自 Google 的最新新闻

注册我们的新闻通讯，获取产品更新、活动信息、特别优惠等。

您的信息将按照Google 隐私政策使用。您可以随时退出。