Google DeepMind 发布 Gemini 3.1 Flash TTS 语音模型

2026年4月15日

|

我们最新的音频模型引入了细粒度音频标签，让你能够精确控制并引导 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

首席研究工程师，代表 Gemini 团队

收听文章

[[duration]] 分钟

此内容由 Google AI 生成。生成式 AI 仍处于实验阶段

今天，我们推出 Gemini 3.1 Flash TTS，这是最新的文本转语音模型，具备更强的可控性、表现力和质量——赋能开发者、企业和普通用户构建下一代 AI 语音应用。

从今天开始，3.1 Flash TTS 正在逐步推出：

• 面向开发者，通过 Gemini API 和 Google AI Studio 提供预览版
• 面向企业，在 Vertex AI 上提供预览版
• 面向 Workspace 用户，通过 Google Vids 提供

改进的语音质量和可控性

我们提升了 Gemini 3.1 Flash TTS 的整体语音质量，使其成为我们迄今为止最自然、最具表现力的模型。在 Artificial Analysis TTS 排行榜上——一个汇集了数千次盲测人类偏好的基准测试——3.1 Flash TTS 取得了令人瞩目的 1,211 Elo 分数。

Artificial Analysis 还将 Gemini 3.1 Flash TTS 列入其“最具吸引力象限”，因其在高质量语音生成与低成本之间的理想平衡。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实现的细粒度创意控制而更加出众。

全新音频标签，实现更具表现力的语音生成

3.1 Flash TTS 还引入了音频标签——一种直观控制声音风格、节奏和表达方式的方法。通过将自然语言指令直接嵌入文本输入中，你可以以更高的细粒度引导 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 让你可以使用音频标签来试验语音的表现力、节奏和表达方式。

3.1 Flash TTS 让你能够集成富有表现力的语音能力，将标准天气应用转变为引人入胜的体验。

3.1 Flash TTS 支持一系列音频标签，为同义词寻词应用增添细腻、引人入胜的表达。

你可以开始在 Google AI Studio 中试验这些音频标签以及开发者体验的其他更新，通过可配置的控制项让开发者坐上“导演椅”：

• 场景指导：通过定义环境和提供具体对话指令来搭建舞台。这种世界构建背景有助于角色保持“入戏”，并在多轮对话中自然地相互回应。
• 说话人级别的精确性：使用独特的音频配置文件来选角，然后指定导演笔记来切换节奏、语调和口音。使用内联标签，说话人可以从这些高层设置转向在句子中间改变表达。
• 无缝导出：一旦表演达到完美，这些精确参数可以导出为 Gemini API 代码，以确保在各种项目和平台上保持一致、可识别的声音。

借助这些新配置，开发者可以提升特定场景的精确度，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准的控制。这些核心优化将先进的风格、节奏和口音控制带入主要市场——帮助开发者以全球规模为用户打造本地化、富有表现力的语音体验。

早期开发者和企业测试者已经看到了 3.1 Flash TTS 带来的影响，并强调了其令人印象深刻的可控性和表现力。他们告诉我们，音频标签提供了全新层次的创作精度，将简单的文本转化为高保真的语音表演。

使用 SynthID 添加水印

Gemini 3.1 Flash TTS 生成的所有音频均使用 SynthID 添加水印。这种不可感知的水印直接交织在音频输出中，能够可靠地检测 AI 生成的内容，从而帮助防止错误信息传播。如需了解我们关于安全与责任的方法的更多信息，您可以查看模型卡。

在您的收件箱中获取 Google 的最新消息

订阅我们的新闻通讯，获取产品更新、活动信息、特别优惠等更多内容。

您的信息将按照Google 隐私政策使用。您可以随时选择退出。