生成文字轉語音檔案 (TTS)
Gemini API 可使用 Gemini 文字轉語音 (TTS) 生成功能，將文字輸入內容轉換為單人或多人語音音訊。文字轉語音 (TTS) 生成功能可控，也就是說，您可以使用自然語言建構互動，並引導音訊的風格、口音、語速和語氣。
TTS 功能與透過 Live API 提供的語音生成功能不同，後者專為互動式非結構化音訊，以及多模態輸入和輸出內容而設計。Live API 擅長處理動態對話情境，而 Gemini API 的 TTS 功能則適用於需要精確朗讀文字，並細緻控制風格和聲音的用途，例如生成 Podcast 或有聲書。
本指南說明如何從文字生成單人或多人語音。
事前準備
請務必使用具備 Gemini 文字轉語音 (TTS) 功能的 Gemini 模型變體，如「支援的模型」一節所述。為獲得最佳結果，請考慮哪種模型最適合您的特定用途。
建議您先在 AI Studio 中測試 Gemini TTS 模型，再開始建構。
單一說話者文字轉語音
如要將文字轉換為單一說話者音訊，請將回應模式設為「audio」，並傳遞 VoiceConfig 已設定的 SpeechConfig 物件。您必須從預先建立的輸出語音中選擇語音名稱。
這個範例會將模型的輸出音訊儲存為 Wave 檔案：
Python
from google import genai
from google.genai import types
import wave
# Set up the wave file to save the output:
def wave_file(filename, pcm, channels=1, rate=24000, sample_width=2):
with wave.open(filename, "wb") as wf:
wf.setnchannels(channels)
wf.setsampwidth(sample_width)
wf.setframerate(rate)
wf.writeframes(pcm)
client = genai.Client()
response = client.models.generate_content(
model="gemini-3.1-flash-tts-preview",
contents="Say cheerfully: Have a wonderful day!",
config=types.GenerateContentConfig(
response_modalities=["AUDIO"],
speech_config=types.SpeechConfig(
voice_config=types.VoiceConfig(
prebuilt_voice_config=types.PrebuiltVoiceConfig(
voice_name='Kore',
)
)
),
)
)
data = response.candidates[0].content.parts[0].inline_data.data
file_name='out.wav'
wave_file(file_name, data) # Saves the file to current directory
JavaScript
import {GoogleGenAI} from '@google/genai';
import wav from 'wav';
async function saveWaveFile(
filename,
pcmData,
channels = 1,
rate = 24000,
sampleWidth = 2,
) {
return new Promise((resolve, reject) => {
const writer = new wav.FileWriter(filename, {
channels,
sampleRate: rate,
bitDepth: sampleWidth * 8,
});
writer.on('finish', resolve);
writer.on('error', reject);
writer.write(pcmData);
writer.end();
});
}
async function main() {
const ai = new GoogleGenAI({});
const response = await ai.models.generateContent({
model: "gemini-3.1-flash-tts-preview",
contents: [{ parts: [{ text: 'Say cheerfully: Have a wonderful day!' }] }],
config: {
responseModalities: ['AUDIO'],
speechConfig: {
voiceConfig: {
prebuiltVoiceConfig: { voiceName: 'Kore' },
},
},
},
});
const data = response.candidates?.[0]?.content?.parts?.[0]?.inlineData?.data;
const audioBuffer = Buffer.from(data, 'base64');
const fileName = 'out.wav';
await saveWaveFile(fileName, audioBuffer);
}
await main();
REST
curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-3.1-flash-tts-preview:generateContent" \
-H "x-goog-api-key: $GEMINI_API_KEY" \
-X POST \
-H "Content-Type: application/json" \
-d '{
"contents": [{
"parts":[{
"text": "Say cheerfully: Have a wonderful day!"
}]
}],
"generationConfig": {
"responseModalities": ["AUDIO"],
"speechConfig": {
"voiceConfig": {
"prebuiltVoiceConfig": {
"voiceName": "Kore"
}
}
}
},
"model": "gemini-3.1-flash-tts-preview",
}' | jq -r '.candidates[0].content.parts[0].inlineData.data' | \
base64 --decode >out.pcm
# You may need to install ffmpeg.
ffmpeg -f s16le -ar 24000 -ac 1 -i out.pcm out.wav
多位說話者文字轉語音
如要使用多說話者音訊，您需要 MultiSpeakerVoiceConfig 物件，並將每個說話者 (最多 2 位) 設定為 SpeakerVoiceConfig。您必須使用提示中使用的相同名稱定義每個 speaker：
Python
from google import genai
from google.genai import types
import wave
# Set up the wave file to save the output:
def wave_file(filename, pcm, channels=1, rate=24000, sample_width=2):
with wave.open(filename, "wb") as wf:
wf.setnchannels(channels)
wf.setsampwidth(sample_width)
wf.setframerate(rate)
wf.writeframes(pcm)
client = genai.Client()
prompt = """TTS the following conversation between Joe and Jane:
Joe: How's it going today Jane?
Jane: Not too bad, how about you?"""
response = client.models.generate_content(
model="gemini-3.1-flash-tts-preview",
contents=prompt,
config=types.GenerateContentConfig(
response_modalities=["AUDIO"],
speech_config=types.SpeechConfig(
multi_speaker_voice_config=types.MultiSpeakerVoiceConfig(
speaker_voice_configs=[
types.SpeakerVoiceConfig(
speaker='Joe',
voice_config=types.VoiceConfig(
prebuilt_voice_config=types.PrebuiltVoiceConfig(
voice_name='Kore',
)
)
),
types.SpeakerVoiceConfig(
speaker='Jane',
voice_config=types.VoiceConfig(
prebuilt_voice_config=types.PrebuiltVoiceConfig(
voice_name='Puck',
)
)
),
]
)
)
)
)
data = response.candidates[0].content.parts[0].inline_data.data
file_name='out.wav'
wave_file(file_name, data) # Saves the file to current directory
JavaScript
import {GoogleGenAI} from '@google/genai';
import wav from 'wav';
async function saveWaveFile(
filename,
pcmData,
channels = 1,
rate = 24000,
sampleWidth = 2,
) {
return new Promise((resolve, reject) => {
const writer = new wav.FileWriter(filename, {
channels,
sampleRate: rate,
bitDepth: sampleWidth * 8,
});
writer.on('finish', resolve);
writer.on('error', reject);
writer.write(pcmData);
writer.end();
});
}
async function main() {
const ai = new GoogleGenAI({});
const prompt = `TTS the following conversation between Joe and Jane:
Joe: How's it going today Jane?
Jane: Not too bad, how about you?`;
const response = await ai.models.generateContent({
model: "gemini-3.1-flash-tts-preview",
contents: [{ parts: [{ text: prompt }] }],
config: {
responseModalities: ['AUDIO'],
speechConfig: {
multiSpeakerVoiceConfig: {
speakerVoiceConfigs: [
{
speaker: 'Joe',
voiceConfig: {
prebuiltVoiceConfig: { voiceName: 'Kore' }
}
},
{
speaker: 'Jane',
voiceConfig: {
prebuiltVoiceConfig: { voiceName: 'Puck' }
}
}
]
}
}
}
});
const data = response.candidates?.[0]?.content?.parts?.[0]?.inlineData?.data;
const audioBuffer = Buffer.from(data, 'base64');
const fileName = 'out.wav';
await saveWaveFile(fileName, audioBuffer);
}
await main();
REST
curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-3.1-flash-tts-preview:generateContent" \
-H "x-goog-api-key: $GEMINI_API_KEY" \
-X POST \
-H "Content-Type: application/json" \
-d '{
"contents": [{
"parts":[{
"text": "TTS the following conversation between Joe and Jane:
Joe: Hows it going today Jane?
Jane: Not too bad, how about you?"
}]
}],
"generationConfig": {
"responseModalities": ["AUDIO"],
"speechConfig": {
"multiSpeakerVoiceConfig": {
"speakerVoiceConfigs": [{
"speaker": "Joe",
"voiceConfig": {
"prebuiltVoiceConfig": {
"voiceName": "Kore"
}
}
}, {
"speaker": "Jane",
"voiceConfig": {
"prebuiltVoiceConfig": {
"voiceName": "Puck"
}
}
}]
}
}
},
"model": "gemini-3.1-flash-tts-preview",
}' | jq -r '.candidates[0].content.parts[0].inlineData.data' | \
base64 --decode > out.pcm
# You may need to install ffmpeg.
ffmpeg -f s16le -ar 24000 -ac 1 -i out.pcm out.wav
使用提示控制語音風格
無論是單人還是多人語音的文字轉語音，你都可以使用自然語言提示詞或音訊標記控制風格、語氣、口音和語速。舉例來說，在單人語音提示詞中，你可以說：
Say in an spooky voice:
"By the pricking of my thumbs... [short pause]
[whisper] Something wicked this way comes"
在多位說話者的提示中，請提供每位說話者的姓名和對應的轉錄稿。您也可以個別為每位說話者提供指引：
Make Speaker1 sound tired and bored, and Speaker2 sound excited and happy:
Speaker1: So... [yawn] what's on the agenda today?
Speaker2: You're never going to guess!
試著使用符合你想傳達風格或情緒的語音選項，進一步強調重點。舉例來說，在先前的提示中，土衛二的喘息聲可能強調「疲倦」和「無聊」，而帕克的歡快語氣則可襯托「興奮」和「開心」。
正在生成轉換為語音的提示
TTS 模型只會輸出音訊，但您可以先使用其他模型生成轉錄稿，然後將轉錄稿傳遞至 TTS 模型朗讀。
Python
from google import genai
from google.genai import types
client = genai.Client()
transcript = client.models.generate_content(
model="gemini-3.5-flash",
contents="""Generate a short transcript around 100 words that reads
like it was clipped from a podcast by excited herpetologists.
The hosts names are Dr. Anya and Liam.""").text
response = client.models.generate_content(
model="gemini-3.1-flash-tts-preview",
contents=transcript,
config=types.GenerateContentConfig(
response_modalities=["AUDIO"],
speech_config=types.SpeechConfig(
multi_speaker_voice_config=types.MultiSpeakerVoiceConfig(
speaker_voice_configs=[
types.SpeakerVoiceConfig(
speaker='Dr. Anya',
voice_config=types.VoiceConfig(
prebuilt_voice_config=types.PrebuiltVoiceConfig(
voice_name='Kore',
)
)
),
types.SpeakerVoiceConfig(
speaker='Liam',
voice_config=types.VoiceConfig(
prebuilt_voice_config=types.PrebuiltVoiceConfig(
voice_name='Puck',
)
)
),
]
)
)
)
)
# ...Code to handle audio output
JavaScript
import { GoogleGenAI } from "@google/genai";
const ai = new GoogleGenAI({});
async function main() {
const transcript = await ai.models.generateContent({
model: "gemini-3.5-flash",
contents: "Generate a short transcript around 100 words that reads like it was clipped from a podcast by excited herpetologists. The hosts names are Dr. Anya and Liam.",
})
const response = await ai.models.generateContent({
model: "gemini-3.1-flash-tts-preview",
contents: transcript,
config: {
responseModalities: ['AUDIO'],
speechConfig: {
multiSpeakerVoiceConfig: {
speakerVoiceConfigs: [
{
speaker: "Dr. Anya",
voiceConfig: {
prebuiltVoiceConfig: {voiceName: "Kore"},
}
},
{
speaker: "Liam",
voiceConfig: {
prebuiltVoiceConfig: {voiceName: "Puck"},
}
}
]
}
}
}
});
}
// ..JavaScript code for exporting .wav file for output audio
await main();
串流語音生成
模型生成音訊時，您可以串流播放。這有助於縮短感知延遲時間。
Python
from google import genai
from google.genai import types
client = genai.Client()
response_stream = client.models.generate_content_stream(
model="gemini-3.1-flash-tts-preview",
contents="Say cheerfully: Have a wonderful day!",
config=types.GenerateContentConfig(
response_modalities=["AUDIO"],
speech_config=types.SpeechConfig(
voice_config=types.VoiceConfig(
prebuilt_voice_config=types.PrebuiltVoiceConfig(
voice_name='Kore',
)
)
),
)
)
for chunk in response_stream:
try:
data = chunk.candidates[0].content.parts[0].inline_data.data
# data contains raw PCM bytes (24kHz, 1-channel, 16-bit)
# Process the audio chunk (e.g., play it or write to a file)
except (IndexError, AttributeError):
pass
JavaScript
import {GoogleGenAI} from '@google/genai';
async function main() {
const ai = new GoogleGenAI({});
const responseStream = await ai.models.generateContentStream({
model: "gemini-3.1-flash-tts-preview",
contents: [{ parts: [{ text: 'Say cheerfully: Have a wonderful day!' }] }],
config: {
responseModalities: ['AUDIO'],
speechConfig: {
voiceConfig: {
prebuiltVoiceConfig: { voiceName: 'Kore' },
},
},
},
});
for await (const chunk of responseStream) {
const data = chunk.candidates?.[0]?.content?.parts?.[0]?.inlineData?.data;
if (data) {
const audioBuffer = Buffer.from(data, 'base64');
// Process the audio buffer
}
}
}
await main();
REST
curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-3.1-flash-tts-preview:streamGenerateContent" \
-H "x-goog-api-key: $GEMINI_API_KEY" \
-X POST \
-H "Content-Type: application/json" \
-d '{
"contents": [{
"parts":[{
"text": "Say cheerfully: Have a wonderful day!"
}]
}],
"generationConfig": {
"responseModalities": ["AUDIO"],
"speechConfig": {
"voiceConfig": {
"prebuiltVoiceConfig": {
"voiceName": "Kore"
}
}
}
}
}'
語音選項
TTS 模型在 voice_name 欄位中支援下列 30 個語音選項：
| Zephyr - Bright | Puck - Upbeat | Charon - 獲得了實用的資訊 |
| 韓國 -- Firm | Fenrir - 興奮 | Leda - 年輕 |
| Orus -- Firm | Aoede - Breezy | Callirrhoe - 隨和 |
| Autonoe -- Bright | Enceladus -- Breathy | Iapetus -- 清除 |
| Umbriel -- Easy-going | Algieba - 平滑 | Despina -- Smooth |
| Erinome -- Clear | Algenib -- Gravelly | Rasalgethi -- 實用資訊 |
| Laomedeia - Upbeat | Achernar -- Soft | Alnilam - Firm |
| Schedar -- Even | Gacrux - 成人內容 | Pulcherrima -- 轉寄 |
| Achird - 友善 | Zubenelgenubi - Casual | Vindemiatrix -- Gentle |
| Sadachbia -- Lively | Sadaltager - 知識豐富 | Sulafat - 溫暖 |
你可以在 AI Studio 中試聽所有語音選項。
支援的語言
文字轉語音模型會自動偵測輸入語言，支援的語言如下：
| 語言 | BCP-47 代碼 | 語言 | BCP-47 代碼 |
|---|---|---|---|
| 阿拉伯文 | ar | 菲律賓文 | fil |
| 孟加拉文 | bn | 芬蘭文 | fi |
| 荷蘭文 | nl | 加里西亞文 | gl |
| 英文 | en | 喬治亞文 | ka |
| 法文 | fr | 希臘文 | el |
| 德文 | de | 古吉拉特文 | gu |
| 北印度文 | hi | 海地克里奧爾文 | ht |
| 印尼文 | id | 希伯來文 | 他 |
| 義大利文 | it | 匈牙利文 | hu |
| 日文 | ja | 冰島文 | 為 |
| 韓文 | ko | 爪哇語 | jv |
| 馬拉地文 | mr | 卡納達文 | kn |
| 波蘭文 | pl | 貢根文 | kok |
| 葡萄牙文 | pt | 寮文 | lo |
| 羅馬尼亞文 | ro | 拉丁 | la |
| 俄文 | ru | 拉脫維亞文 | lv |
| 西班牙文 | es | 立陶宛文 | lt |
| 泰米爾文 | ta | 盧森堡文 | lb |
| 泰盧固文 | te | 馬其頓文 | mk |
| 泰文 | th | 邁蒂利文 | mai |
| 土耳其文 | tr | 馬達加斯加文 | mg |
| 烏克蘭文 | uk | 馬來文 | 毫秒 |
| 越南文 | vi | 馬拉雅拉姆文 | ml |
| 南非荷蘭文 | af | 蒙古文 | mn |
| 阿爾巴尼亞文 | sq | 尼泊爾文 | ne |
| 阿姆哈拉文 | am | 挪威文 (巴克摩) | nb |
| 亞美尼亞文 | hy | 挪威文 (新挪威文) | nn |
| 亞塞拜然文 | az | 歐利亞文 | 或 |
| 巴斯克文 | eu | 普什圖文 | ps |
| 白俄羅斯語 | be | 波斯文 | fa |
| 保加利亞文 | bg | 旁遮普文 | pa |
| 緬甸文 | my | 塞爾維亞文 | sr |
| 加泰隆尼亞文 | ca | 信德文 | sd |
| 宿霧文 | ceb | 錫蘭文 | si |
| 中文 (國語) | cmn | 斯洛伐克文 | sk |
| 克羅埃西亞文 | 時 | 斯洛維尼亞文 | sl |
| 捷克文 | cs | 史瓦西里文 | sw |
| 丹麥文 | da | 瑞典文 | sv |
| 愛沙尼亞文 | et | 烏都文 | ur |
支援的模型
| 模型 | 單一說話者 | 多位說話者 |
|---|---|---|
| Gemini 3.1 Flash TTS 預先發布版 | ✔️ | ✔️ |
| Gemini 2.5 Flash 預先發布版 TTS | ✔️ | ✔️ |
| Gemini 2.5 Pro 預先發布版 TTS | ✔️ | ✔️ |
提示撰寫指南
Gemini 原生語音生成 Text-to-Speech (TTS) 模型與傳統 TTS 模型不同，它使用大型語言模型，不僅知道要說什麼，也知道該怎麼說。
模型會直接解讀逐字稿，並決定如何傳達你的話語。簡單的轉錄稿不需要額外提示，聽起來也很自然。不過，Gemini TTS 也提供可引導語音生成的工具。
本指南旨在提供基本指引，並在開發音訊體驗時激發想法。我們會先介紹標記，方便您快速進行內嵌控制，然後探討進階提示結構，全面掌握效能方向。
音訊標記
標記是 [whispers] 或 [laughs] 等行內修飾符，可讓你精細控制朗讀方式。你可以使用標記變更轉錄稿中一行或一段的語氣、速度和情緒氛圍，也可以在朗讀時加入感嘆詞和一些其他非語言聲音，例如 [cough]、[sighs] 或 [gasp]。
我們無法提供完整清單，說明哪些標記有效，哪些無效。建議您嘗試使用不同的情緒和表情，看看輸出結果有何變化。
如果轉錄稿不是英文，建議您仍使用英文音訊標記，以獲得最佳結果。
善用音訊標記
為展現音訊標記可帶來的多樣性，我們提供一系列範例，這些範例的內容相同，但傳達方式會因使用的標記而異。
你可以在行首加入標記，改變語氣，讓講者顯得興奮、無聊或不情願：
[excitedly]你好，我是新的文字轉語音模型，可以透過多種方式說話。你今天想做什麼呢？[bored]你好，我是全新的文字轉語音模型…[reluctantly]你好，我是全新的文字轉語音模型…
標記也可以用來改變朗讀速度，或結合速度和強調：
[very fast]你好，我是全新的文字轉語音模型…[very slow]你好，我是全新的文字轉語音模型…[sarcastically, one painfully slow word at a time]你好，我是新的文字轉語音模型…
你也可以精確控制特定段落，例如以氣音說出某一段，另一段則大聲喊叫。
[whispers]你好，我是新的文字轉語音模型，[shouting]可以透過多種方式說話。[whispers]今天需要什麼協助呢？
您也可以嘗試任何廣告素材構想：
[like a cartoon dog]你好，我是全新的文字轉語音模型…[like dracula]你好，我是全新的文字轉語音模型…
常用的標記包括：
[amazed] |
[crying] |
[curious] |
[excited] |
[sighs] |
[gasp] |
[giggles] |
[laughs] |
[mischievously] |
[panicked] |
[sarcastic] |
[serious] |
[shouting] |
[tired] |
[trembling] |
[whispers] |
標記可讓您快速輕鬆地控制轉錄稿的傳送。如要進一步控制，可以將標記與情境提示結合，設定表演的整體基調和氛圍。
撰寫進階提示詞
您可以將進階提示視為模型要遵循的系統指令，藉此提供更多背景資訊，並控管模型效能。
完善的提示應包含下列元素，共同打造出色的演出：
- 語音設定檔：建立語音角色，定義角色身分、原型和任何其他特徵，例如年齡、背景等。
- 場景：設定舞台，描述實體環境和「氛圍」。
- 導演筆記：提供成效指引，方便你細分虛擬藝人應注意的重要指示，例如風格、呼吸、節奏、咬字和口音。
- 情境範例：為模型提供情境起點，讓虛擬演員自然進入您設定的場景。
- 轉錄稿：模型會朗讀的文字。為獲得最佳效能，請注意轉錄稿主題和寫作風格應與你提供的指示相關。
- 語音標記：可插入轉錄稿的修飾符，用來變更文字的傳達方式，例如
[whispers]或[shouting]。
完整提示範例：
# AUDIO PROFILE: Jaz R.
## "The Morning Hype"
## THE SCENE: The London Studio
It is 10:00 PM in a glass-walled studio overlooking the moonlit London skyline,
but inside, it is blindingly bright. The red "ON AIR" tally light is blazing.
Jaz is standing up, not sitting, bouncing on the balls of their heels to the
rhythm of a thumping backing track. Their hands fly across the faders on a
massive mixing desk. It is a chaotic, caffeine-fueled cockpit designed to wake
up an entire nation.
### DIRECTOR'S NOTES
Style:
* The "Vocal Smile": You must hear the grin in the audio. The soft palate is
always raised to keep the tone bright, sunny, and explicitly inviting.
* Dynamics: High projection without shouting. Punchy consonants and elongated
vowels on excitement words (e.g., "Beauuutiful morning").
Pace: Speaks at an energetic pace, keeping up with the fast music. Speaks
with A "bouncing" cadence. High-speed delivery with fluid transitions — no dead
air, no gaps.
Accent: Jaz is from Brixton, London
### SAMPLE CONTEXT
Jaz is the industry standard for Top 40 radio, high-octane event promos, or any
script that requires a charismatic Estuary accent and 11/10 infectious energy.
#### TRANSCRIPT
[excitedly] Yes, massive vibes in the studio! You are locked in and it is
absolutely popping off in London right now. If you're stuck on the tube, or
just sat there pretending to work... stop it. Seriously, I see you.
[shouting] Turn this up! We've got the project roadmap landing in three,
two... let's go!
詳細的提示策略
我們來逐一分析提示的各個要素。
音訊格式設定
簡要描述角色的特徵。
- 名稱：為角色命名有助於模型掌握角色特徵，並提升效能。設定場景和情境時，請使用角色名稱
- 角色：角色在場景中扮演的核心身分和原型，例如電台 DJ、Podcast 創作者、新聞記者等。
範例：
# AUDIO PROFILE: Jaz R.
## "The Morning Hype"
# AUDIO PROFILE: Monica A.
## "The Beauty Influencer"
場景
設定場景的背景資訊，包括地點、情緒和環境細節，以確立基調和氛圍。描述角色周遭發生的情況，以及這些情況對角色的影響。場景會為整個互動提供環境背景資訊，並以細微的自然方式引導表演。
範例：
## THE SCENE: The London Studio
It is 10:00 PM in a glass-walled studio overlooking the moonlit London skyline,
but inside, it is blindingly bright. The red "ON AIR" tally light is blazing.
Jaz is standing up, not sitting, bouncing on the balls of their heels to the
rhythm of a thumping backing track. Their hands fly across the faders on a
massive mixing desk. It is a chaotic, caffeine-fueled cockpit designed to
wake up an entire nation.
## THE SCENE: Homegrown Studio
A meticulously sound-treated bedroom in a suburban home. The space is
deadened by plush velvet curtains and a heavy rug, but there is a
distinct "proximity effect."
導演附註
這個重要部分包含具體的效能指南。您可以略過所有其他元素，但建議您加入這個元素。
請只定義對效能有重要影響的項目，並小心不要過度指定。如果設下太多嚴格規則，模型創意就會受到限制，成效也可能因此變差。在角色和場景說明中，加入具體的演出規則。
最常見的指示是風格、節奏和口音，但模型不限於這些指示，也不需要這些指示。您可以視需要加入自訂指令，涵蓋對成效有幫助的其他詳細資料，並盡可能詳細說明。
例如：
### DIRECTOR'S NOTES
Style: Enthusiastic and Sassy GenZ beauty YouTuber
Pacing: Speaks at an energetic pace, keeping up with the extremely fast, rapid
delivery influencers use in short form videos.
Accent: Southern california valley girl from Laguna Beach |
樣式：
設定生成語音的語氣和風格。請加入歡快、活力充沛、放鬆、無聊等描述，引導語音的表現。請盡可能詳細說明：「充滿感染力的熱情。聽眾應感覺自己是盛大熱鬧社群活動的一份子。」比單純說「充滿活力和熱情」更有效。
你甚至可以嘗試配音產業常用的術語，例如「聲音微笑」。你可以視需要疊加多種風格特徵。
範例：
簡單情緒
DIRECTORS NOTES
...
Style: Frustrated and angry developer who can't get the build to run.
...
更深入
DIRECTORS NOTES
...
Style: Sassy GenZ beauty YouTuber, who mostly creates content for YouTube Shorts.
...
複雜
DIRECTORS NOTES
Style:
* The "Vocal Smile": You must hear the grin in the audio. The soft palate is
always raised to keep the tone bright, sunny, and explicitly inviting.
*Dynamics: High projection without shouting. Punchy consonants and
elongated vowels on excitement words (e.g., "Beauuutiful morning").
口音：
描述想要的口音，描述得越具體，結果就越符合需求。例如使用「英國口音，如英格蘭克羅伊登的口音」而非「英國口音」。
範例：
### DIRECTORS NOTES
...
Accent: Southern california valley girl from Laguna Beach
...
### DIRECTORS NOTES
...
Accent: Jaz is a DJ from Brixton, London
...
使用速度：
整部作品的整體節奏和節奏變化。
範例：
簡潔
### DIRECTORS NOTES
...
Pacing: Speak as fast as possible
...
更深入
### DIRECTORS NOTES
...
Pacing: Speaks at a faster, energetic pace, keeping up with fast paced music.
...
複雜
### DIRECTORS NOTES
...
Pacing: The "Drift": The tempo is incredibly slow and liquid. Words bleed into each other. There is zero urgency.
...
轉錄稿和音訊標記
逐字稿是模型會說出的確切字詞。音訊標記是方括號中的字詞，表示說話方式、語氣變化或感嘆詞。
### TRANSCRIPT
I know right, [sarcastically] I couldn't believe it. [whispers] She should have totally left
at that point.
[cough] Well, [sighs] I guess it doesn't matter now.
歡迎試試
歡迎在 AI Studio 試試這些範例，使用 TTS 應用程式，讓 Gemini 擔任導演。請參考以下訣竅，製作出精彩的配音：
- 請務必確保提示內容一致，因為腳本和指示是製作優質表演的關鍵。
- 不必鉅細靡遺地描述所有內容，有時讓模型自行填補空白處，反而能產生更自然的結果 (就像優秀的演員)。
- 如果遇到任何難題，可以向 Gemini 尋求協助，製作劇本或表演。
限制
- TTS 模型只能接收文字輸入內容，並生成音訊輸出內容。
- TTS 工作階段的脈絡窗口限制為 3.2 萬個詞元。
- 如需語言支援資訊，請參閱「語言」一節。
- TTS 不支援 3.1 之前的模型串流 (
gemini-3.1-flash-tts-preview以上版本支援串流)。
使用 Gemini 3.1 Flash TTS 預先發布版模型生成語音時，須遵守下列限制：
- 語音與提示詞指令不一致：模型輸出內容不一定會完全符合所選的說話者，導致音訊聽起來與預期不同。為避免語氣不一致 (例如低沉的男聲試圖模仿年輕女孩的聲音)，請確保提示詞的書寫語氣和情境與所選說話者的個人資料自然一致。
- 較長輸出內容的品質：如果生成輸出內容的時間超過幾分鐘，語音品質和一致性可能會開始下降。建議將轉錄稿分成較小的區塊。
- 偶爾會傳回文字權杖：模型偶爾會傳回文字權杖，而非音訊權杖，導致伺服器因
500錯誤而無法處理要求。由於這種情況只會在極少數的要求中隨機發生，因此您應在應用程式中實作自動重試邏輯，以處理這些要求。 - 提示分類器誤拒：模糊不清的提示可能無法觸發語音合成分類器，導致要求遭到拒絕 (
PROHIBITED_CONTENT)，或導致模型大聲朗讀風格指示和導演筆記。請新增明確的前言，指示模型合成語音，並明確標示實際口語轉錄內容的開頭，藉此驗證提示。