Google 今日正式发布 Gemini 3.1 Flash TTS，这是其最新一代文本转语音模型，在可控性、表现力和音质上实现全面突破。 该模型已在 Artificial Analysis TTS 排行榜中以 1211 Elo 的成绩位列前茅，并凭借"高质量+低延迟+低成本"的组合优势进入"最具吸引力象限"。

TL;DR

• 【突破性音质】 Artificial Analysis TTS 排行榜 Elo 1211，进入"最具吸引力象限"，胜任 70+ 语言多风格语音生成
• 【音频标签控制】 首创 Audio Tags 技术，通过自然语言指令精准控制语速、语调、情感和角色切换
• 【企业级安全】 SynthID 数字水印全覆盖，AI 生成音频可溯源，从源头防止虚假信息传播

技术规格表

核心功能拆解

1. Audio Tags：自然语言驱动的语音控制革命

Gemini 3.1 Flash TTS 引入的 Audio Tags 是本次发布的最大亮点。开发者无需依赖复杂的 SSML 标签或 API 参数，只需在输入文本中嵌入自然语言指令，即可精准控制语音输出的每一个细节。

可实现的控制维度包括：

• 场景方向（Scene Direction）： 定义环境背景和对话情境，帮助角色始终"入戏"并自然回应多轮对话
• 说话人级配置（Speaker-level Specificity）： 为每个角色分配唯一音频档案，通过 Director's Notes 调整语速、语调和口音；使用内联标签还可在句中切换情感表达
• 无缝导出： 调试完成后，所有参数可直接导出为 Gemini API 代码，确保跨项目和跨平台的声音一致性和可识别性

2. 70+ 语言与全球化语音体验

该模型针对主要市场进行了核心优化，将高级风格、节奏和口音控制带到全球开发者面前。原生多说话人对话能力使构建本地化、富有表现力的语音应用成为可能——无论是多角色有声内容还是跨语言语音助手，都能保持一致的自然度。

3. 高保真音质与成本效率的平衡

在 Artificial Analysis 的盲测评估中，Gemini 3.1 Flash TTS 获得了 1211 Elo 的高分。更重要的是，它同时进入了该榜单的"最具吸引力象限"——这是对"高质量语音生成"与"低使用成本"这对通常矛盾目标的最佳平衡认可。

安全与合规

所有由 Gemini 3.1 Flash TTS 生成的音频均内置 SynthID 数字水印。这一人耳不可感知的 watermark 直接嵌入音频输出层，支持可靠检测 AI 生成内容，从源头遏制虚假信息的传播。Google 已在模型卡（Model Card）中公开了安全与责任框架的详细信息，企业用户可将其纳入合规审计流程。

互动问答

Q1：Gemini 3.1 Flash TTS 和上一代相比，最核心的提升是什么？

A：最核心的提升是 Audio Tags 技术的引入——它允许开发者用自然语言指令直接控制语音的节奏、情感、角色切换和场景背景，这是 TTS 领域首次实现如此细粒度的"导演式"控制。结合 1211 Elo 的音质评分和 70+ 语言支持，新模型在表现力和全球化能力上都有质的飞跃。

Q2：SynthID 水印会影响音频质量或增加延迟吗？

A：不会。SynthID 水印是人耳完全不可感知的噪声嵌入，不影响音频的客观音质和主观听感，也不会显著增加合成延迟。Google 选择在音频生成层而非后处理阶段嵌入水印，正是为了在保证内容溯源能力的同时，不牺牲实时语音合成的使用体验。