隨著 Google 推出 Gemini 3.1 Flash 模型，終於也更新了旗下的 AI 文字轉語音模型，正式推出 Gemini 3.1 Flash TTS。這次的升級重點放在「可控性」、「表現力」和「語音品質」三個方向，不只加入多達 200 個以上的音訊標籤，讓你可以像導演指揮演員那樣，精準控制想要的語氣、節奏、口音，在第三方評測網站 Artificial Analysis 的 TTS 排行榜中，也一口氣衝到 Elo 1,211 分，排名全球第二。
Google 發表 Gemini 3.1 Flash TTS：支援 200+ 音訊標籤、70+ 語言，Elo 分數衝上 1,211
Google 近日於官方部落格中宣布推出 Gemini 3.1 Flash TTS 新一代文字轉語音模型，這次升級比較明顯的亮點有四個。
首先是全新的「音訊標籤」系統。 這是 Gemini 3.1 Flash TTS 最大的特色，開發者只需要在文字中加入類似 [興奮]、[停頓]、[笑聲] 這樣的指令，模型就會照著指示調整語氣、節奏、甚至是加入音效。
舉例來說，你可以這樣輸入：「[興奮] 歡迎收看今天的節目！[停頓] 今晚我們要討論的是要如何活得更加快樂」，就會自動產生一段先興奮、再短暫停頓的說話過程。
根據 Google 說明，目前支援超過 200 種音訊標籤，涵蓋情緒、節奏、口音、格式四大類別。
接著是原生支援多角色對話，這主要是針對 API 用戶設計。過去想要生成多人對話，通常需要分別呼叫 API 再自己接起來，現在 Gemini 3.1 Flash TTS 能在單一 API 呼叫中同時處理多位角色，還能替每位角色設定不同的聲線、口音和個性。像是 Podcast 對談、有聲書多角色朗讀等場景，都能直接搞定。
第三個是更多的語言與口音支援。現在 Gemini 3.1 Flash TTS 支援超過 70 種語言，其中有 24 種還被 Google 列為「高品質評估」語言，包含日文、韓文、印地語、德語、法語、西班牙語、葡萄牙語、義大利語、簡體中文等。英文部分也支援多種口音，像是美國南部腔、英國 RP 腔、大西洋兩岸的 Transatlantic 腔都有，對需要在地化內容的創作者來說很實用。
最後是內建「SynthID 浮水印」。 所有 Gemini 3.1 Flash TTS 生成的音訊都會嵌入 Google DeepMind 自家「SynthID」浮水印，人的耳朵雖然聽不出來，但可以用工具驗證是否為 AI 生成內容，目的是防止 AI 語音被拿去做不實資訊、詐騙等惡意用途。
Gemini 3.1 Flash TTS 目前以 Preview（預覽）版本的形式開放，API 識別碼為 gemini-3.1-flash-tts-preview，可以透過以下幾個平台使用：
- Gemini API、Google AI Studio
- Vertex AI
- Google Vids
API 價格部分，Gemini 3.1 Flash TTS 屬於偏平價的級距：文字輸入每百萬 tokens 約 1 美元、音訊輸出每百萬 tokens 約 20 美元。以每秒音訊約 25 tokens 換算，生成一分鐘音訊大約只會用掉 1,500 個 tokens，成本相當親民。
