谷歌发布新一代文本转语音模型Gemini 3.1 Flash TTS，其核心亮点在于开发者能像导演一样，用自然语言精确控制AI语音。
核心功能：自然语言控制
通过“音频标签”功能，开发者在输入文本中嵌入自然语言指令，即可实时调整语音的语调、节奏、情绪乃至口音，甚至能在单句话中切换风格。
“导演椅”式配置界面
谷歌在Google AI Studio中提供了三层控制界面：
- 场景指导：设定环境与对话指令，保持角色性格一致性。
- 角色级调参：为每个角色独立配置语速、语调、口音。
- 一键导出：将调试好的参数导出为Gemini API代码，便于跨平台复用。
性能与可用性
- 在Artificial Analysis的TTS排行榜上，它以1211分的Elo评分登顶，并被列入“最具吸引力象限”（高质量、低成本）。
- 支持70多种语言及原生多角色对话。
- 所有生成音频均内嵌SynthID水印用于AI内容识别。
- 模型已通过Gemini API、Google AI Studio、Vertex AI及Google Vids上线。
开发者价值
该模型将TTS从一个简单的朗读工具，转变为可编程的语音表演引擎。开发者无需依赖复杂的后期处理或SSML标记，用自然语言指令即可快速生成富有情感的语音，并轻松实现品牌语音风格的统一与复用。
