Gemini 3.1 Flash TTS Preview

Gemini 3.1 Flash TTS Preview 是 Google 推出的文本转语音模型，相比 Gemini 2.5 Flash TTS 实现了显著的代际跃升。它接收文本输入，支持 70 多种语言生成音频输出——语言覆盖范围接近上一代的 3 倍。

最重磅的新增功能是一套包含 200 多个内联音频标签（例如 [whispers]、[laughs]、[excited]）的系统，让开发者可以在句子中途调控表达方式、情感和语速；同时 Google AI Studio 中还提供了“导演椅”工作流，用于定义每个角色的音频配置文件和场景级上下文。它最多支持两个说话人，每个说话人可独立配置音色和风格，输出 24 kHz / 16-bit 单声道 PCM 音频，并使用 SynthID 自动为所有输出添加水印。上下文窗口为 32k tokens。