Gemini 3.1 Flash TTS 实操教程：产品演示与内部培训配音

快速答案

需要快速把产品脚本变成干净的配音？截至 2026-04-16，Gemini 3.1 Flash TTS 值得优先试一试。

Google 在 2026-04-15 发布了 Gemini 3.1 Flash TTS，定位为高性价比、低延迟、可控的语音模型，支持 70 多种语言、单人和多人语音生成，以及用自然语言音频标签控制节奏、语气和交付方式。截至同日，Google 将其列为 Gemini API 和 Google AI Studio 中的预览版模型。

适合使用的场景：

• 中性语气的产品演示旁白
• 多语言内部培训片段
• 需要逐字还原的脚本配音
• 从文字提示词到可用音频的快速迭代

暂时不适合的场景：

• 需要品牌声音克隆的法律敏感流程
• 要求正式上线版本（GA）而非预览版的采购或合规场景
• 已经围绕另一套 TTS 方案建立了完整的长篇后期制作链

最精简的工作流：

1. 写一段朗读起来自然的短脚本
2. 在文稿中直接加入音频标签和交付说明
3. 在 Google AI Studio 中测试
4. 如果需要在产品中重复使用该语音，把设置导出为 Gemini API 代码
5. 发布前做一次发音和节奏检查

2026-04-15 发生了什么

这条新闻触发点是真实的，但真正有用的信息不是"Google 又发了一个模型"，而是 Google 终于让 Gemini TTS 在实际配音场景中变得实用。在 Artificial Analysis 的 TTS 排行榜上——该基准基于数千次盲听人类偏好比较——Gemini 3.1 Flash TTS 获得了 1,211 的 Elo 分数，位于 Artificial Analysis 所说的"高质量 + 低成本"最具吸引力象限。

根据 Google 2026-04-15 的发布说明和当前 Gemini 文档，重要变化包括：

• Gemini 3.1 Flash TTS 现已通过 Gemini API 和 Google AI Studio 以预览版提供，企业端可通过 Vertex AI 接入，Workspace 用户可通过 Google Vids 集成
• Google 表示该模型支持 70 多种语言
• 模型新增了音频标签，可以用自然语言控制风格、节奏和交付方式
• Gemini TTS 文档描述了单人和多人语音生成
• Google AI Studio 可以把调整好的设置导出为 Gemini API 代码
• 所有生成的音频都带有 SynthID 水印

对产品团队而言，这些变化缩小了"模型在演示中听起来不错"和"我们确实能在工作流中重复使用这个语音输出"之间的差距。

本教程面向谁

本文面向需要配音的团队：

• SaaS 功能演示讲解
• 版本更新视频
• 客户引导支持片段
• 内部流程说明
• 多语言培训内容

本文不涉及名人声音克隆、有声书制作或对话式实时代理。Gemini 当前的 TTS 文档围绕的是可控的文本转语音生成，而非完整的声音克隆流程。

快速适配检查

投入时间之前，先用这张快速对照表判断。

问题	答案为"是"	答案为"否"
脚本已经有现成的文字版了吗？	Gemini 3.1 Flash TTS 适合	先把脚本写好
需要逐字还原，而不是自由对话？	用 Gemini TTS	看看实时语音方案
需要用同一套流程产出多语言版本？	Gemini 值得测试	语言覆盖度不是关键
需要自定义节奏和语气，又不想手动剪辑音频？	音频标签有用	普通 TTS 可能就够了
采购或合规要求必须用非预览版模型？	等一等或用成熟方案	预览版可以接受

核心判断很简单：Gemini 3.1 Flash TTS 在团队需要可控旁白时最强，而不是即兴对话。

第 1 步：为耳朵写作，而不是为文档写作

大多数糟糕的 AI 配音，源头都是一份为阅读而非聆听写的脚本。

做产品演示时，每句话要短到能一口气说完。把"请导航至左侧配置模块"这类充斥界面术语的说法，换成人类旁白真正会说的话。

一个可行的结构：

• 一句话说目标
• 一句话说操作
• 一句话说预期结果

反面示例：

In order to proceed with workspace member management, the administrator should first navigate to the role assignment section and review the applicable permission mappings.

改进后：

Open Role Settings. Choose the teammate you want to update. Then change the permission level and save.

如果你自己大声读一遍都觉得别扭，Gemini 也不会把它变自然。

第 2 步：添加音频标签和交付说明

这是新版本真正值得关注的实用功能。

Google 当前文档表示 Gemini TTS 可以通过自然语言提示词或音频标签来控制。不需要单独搞一套繁重的 SSML 流程来改善节奏。

标签适合用于：

• 关键操作前的停顿
• UI 标签处放慢语速
• 警告或截止时间的额外强调
• 旁白和引用语句之间切换能量级别

产品演示的起手提示词（可直接复制）：

Read this as a calm product trainer.
Keep the pace steady and slightly upbeat.
Do not sound like an ad.
Pause briefly before each action step.
Emphasize the result sentence at the end.

Script:
Welcome to the new workspace approval flow.
[short pause]
Open Requests.
Select the pending item.
Choose Approve.
[short pause]
You will now see the request move into the completed queue.

内部培训的起手提示词（可直接复制）：

Read this as an experienced operations lead.
Use a clear, patient tone.
Slow down slightly on policy terms.
Add a short pause before each warning.

Script:
Before you export customer data, verify the request reason and ticket ID.
[short pause]
Do not send the file to a personal email address.
[short pause]
If the customer asks for a correction, update the CRM record first and then regenerate the export.

需要两个人对话式讲解时，Google 文档中也描述了多人 TTS。适合简短的培训对话，比如讲师加学员。

示例结构：

Make Speaker1 sound calm and instructive.
Make Speaker2 sound curious and slightly unsure.

Speaker1: Open the analytics dashboard.
Speaker2: Do I need admin access for this step?
Speaker1: No. Viewer access is enough for this report.

第 3 步：先在 Google AI Studio 中测试

截至 2026-04-16，Google 表示 Gemini 3.1 Flash TTS 已在 Google AI Studio 中以预览版提供。在写应用代码之前先到这里测试。

为什么 AI Studio 是最佳起点：

• 最快了解脚本能不能用
• 不需要工程介入就能迭代方向说明
• Google 表示效果满意后可以把最终设置导出为 Gemini API 代码

在 AI Studio 中的目标不是追求完美，而是快速回答三个问题：

1. 语音读脚本时是否自然？
2. 你的音频标签是否真的让节奏朝期望方向移动了？
3. 产品名、缩写和功能标签的发音是否正确？

三个问题中任何一个答案是"否"，先改脚本再扩展流程。

第 4 步：把调好的设置导出到 Gemini API

Google 的发布说明表示 AI Studio 可以把最终语音设置导出为 Gemini API 代码。这一步很关键，因为它把一次性的工作室实验变成了可重复的内容生产环节。

操作模式：

• 内容或产品营销团队写脚本
• 有人在 AI Studio 中调语气、节奏和停顿
• 验证通过的设置进入代码，实现可重复生成

到这一步 Gemini 就不再只是新鲜玩具了。模型可以融入版本发布流程、帮助中心内容生产，或本地化的引导素材制作。

第 5 步：发布前做一轮基础 QA

不要直接发布第一版录音。

检查清单：

• 发音：产品名、API 名、缩写和客户术语发音正确
• 节奏：步骤讲解足够慢、跟得上，但不拖沓
• 重音：强调的是关键动作，而不是无关紧要的词
• 停顿位置：操作、警告和结果语句前有短停顿
• 语气匹配：内部培训片段应沉稳清晰，不像广告
• 时长：30 秒的演示配音后听起来依然简洁

好的 TTS 流程仍然需要一个人工签收环节。目的是减少剪辑时间，而不是取消判断。

Gemini 3.1 Flash TTS 目前擅长什么

根据 2026-04-16 查看的 Google 发布说明和文档，Gemini 3.1 Flash TTS 在以下场景中竞争力较强：

使用场景	为什么适合
功能演示配音	可控节奏的精准脚本式旁白
多语言培训片段	官方支持 70 多种语言
短篇内部说明音频	在 AI Studio 中设置成本低
产品讲解对话	支持多人 TTS
工具链中的可重复配音	AI Studio 导出为 Gemini API 代码

以上全是脚本驱动型任务，这也解释了为什么该模型在培训和演示场景中比开放式对话更有用。

需要明确说出来的限制

不要过度宣传一个刚发布的版本。

截至 2026-04-16，核实的 Google 官方资料显示以下边界：

• 仍为预览版模型，定价、速率限制和行为都可能变动
• 模型卡列出 Flash TTS 的文本输入上限为 16K
• 模型卡列出音频输出上限为 32K tokens
• 模型提供 30 个预置语音（Zephyr、Puck、Kore、Charon、Fenrir 及另外 25 个）；没有自定义语音上传或克隆流程
• 不支持流式传输——TTS 在单次响应中返回完整音频文件，无法边生成边播放
• Google 的定位围绕可控 TTS，而非通用的实时对话音频产品
• 所有生成音频均带 SynthID 水印，在政策审查或对外分发时可能需要留意

一个实际限制是流程成熟度。如果你的团队已经围绕另一家供应商建立了完善的后期制作链，Gemini 需要在速度或成本上赢才能说服团队切换。

需要关注的定价

截至 2026-04-16，Google 的 Gemini 定价页面列出 Gemini 3.1 Flash TTS Preview 的价格为：

• 标准层：免费
• 批量层：每百万文本输入 token $1.00，每百万音频输出 token $20.00

Google 还指出音频 token 对应每秒音频 25 个 token。

作为参考，旧版 Gemini 2.5 Flash TTS 批量价格更低，为 $0.50/$10.00；Gemini 2.5 Pro TTS 与 3.1 Flash 持平，为 $1.00/$20.00。免费的标准层让 3.1 Flash TTS 在决定投入批量生产前零成本试用。

产品团队的实操工作流

如果需要一个可重复的流程，参考这套方案。

最精简流程

1. 用纯文本草拟脚本
2. 缩短大声读起来不自然的句子
3. 添加节奏说明和音频标签
4. 在 AI Studio 中测试
5. 修复发音问题
6. 如果需要重复使用该语音，导出到 Gemini API
7. 把审核通过的提示词模式与脚本模板一起存档

团队分工

• 内容负责人：写脚本
• 产品负责人：检查事实准确性和界面用词
• 操作员：调提示词、停顿和重音
• 审核人：签收发音和语气

这套流程看起来很无聊——这是好事。复查路径越可重复，模型就越有用。

什么时候不该用 Gemini 3.1 Flash TTS

即便发布了新版本，有些场景仍然不该把它当默认选择。

应当跳过的情况：

• 组织不允许在生产环境使用预览版模型
• 项目依赖某种特定的声音克隆身份流程
• 音频必须经过一条深度嵌入的外部后期制作链，切换工具的成本很高
• 实际需要的是一个实时交互语音回路，而不是基于固定脚本的文本转语音

这不是对模型的批评，只是区分一个优秀的 TTS 发布和一个万能音频方案之间的差异。

常见问题

Gemini 3.1 Flash TTS 适合产品演示吗？

适合，这是最明确的早期使用场景之一。该模型为可控 TTS 而设计，Google 当前文档明确支持节奏、语气、风格和多人语音生成，与产品功能讲解和内部培训片段的需求高度匹配。

Gemini 3.1 Flash TTS 支持多语言吗？

支持。Google 在 2026-04-15 的发布说明中表示 Gemini 3.1 Flash TTS 支持 70 多种语言。

使用前需要先写代码吗？

不需要。截至 2026-04-16，Google 表示该模型已在 Google AI Studio 中以预览版提供，在导出为代码之前可以先在里面测试脚本和提示词方向。

Gemini 3.1 Flash TTS 和实时语音代理模型一样吗？

不一样。Google 的 TTS 文档把这个流程和 Live API 分开。Gemini TTS 用于可控的脚本式语音生成，Live API 用于交互式音频和多模态会话。

团队最容易犯的错误是什么？

试图用更好的提示词去拯救一份糟糕的脚本。提示词控制有帮助，但救不了本来就不适合朗读出来的文字。

总结

Gemini 3.1 Flash TTS 是本周最具实操价值的 AI 音频发布之一，因为它把发布头条变成了团队真正能跑通的工作流。

如果你的团队需要为演示、版本更新视频和内部培训快速做配音，现在就值得测试。选择它的理由不是追热点，而是 Google 现在提供了一个可控 TTS 模型、AI Studio 迭代环境、多人语音输出、70 多种语言覆盖，以及从提示词调优到 API 导出的直通路径。

足以让短篇语音制作明显提效。

核实说明

于 2026-04-16 依据 Google 官方资料核实。

主要来源：

• Google 发布说明：https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-1-flash-tts/
• Gemini API TTS 文档：https://ai.google.dev/gemini-api/docs/speech-generation
• Gemini 定价：https://ai.google.dev/gemini-api/docs/pricing
• Gemini 3.1 Flash Audio 模型卡：https://deepmind.google/models/model-cards/gemini-3-1-flash-audio/

核实要点：

• 发布日期和上线渠道（Gemini API、AI Studio、Vertex AI、Google Vids）
• 70 多种语言支持
• 30 个预置语音
• 音频标签和多人语音支持
• Gemini API 和 Google AI Studio 中的预览状态
• SynthID 水印
• TTS 不支持流式传输
• Gemini 3.1 Flash TTS Preview 定价（标准层：免费；批量层：每百万 token $1.00/$20.00）
• 模型卡限制：文本输入 16K、音频输出 32K tokens
• Artificial Analysis TTS 排行榜 Elo 分数（1,211）