Gemini 3.1 Flash TTS 发布:自然语言 audio tags 可精细控制语速、音色与场景,Artificial Analysis TTS 榜 Elo 1211,支持 70+ 语言
Gemini 3.1 Flash TTS: the next generation of expressive AI speech
Google DeepMind 发布 Gemini 3.1 Flash TTS,新一代文本转语音模型,在可控性、表现力与音质上均有提升。今日起铺开:开发者可在 Gemini API 与 Google AI Studio 预览,企业在 Vertex AI 预览,Workspace 用户经 Google Vids 使用。官方称其音质更自然、更具表现力——在 Artificial Analysis TTS 排行榜(汇总数千次人类盲评)拿到 1211 的 Elo 分,并被 Artificial Analysis 归入高音质与低成本的具吸引力象限。模型原生支持多说话人对话、70+ 语言,并引入 audio tags:在文本输入里嵌入自然语言指令来精确操纵语音风格、节奏与演绎,配场景调度、说话人级 Audio Profiles 与 Director notes 等控制。
产品#Google DeepMind
推荐理由:把语音合成从念对字推进到可导演:自然语言标签控制语速音色与场景,且给出第三方榜单的量化位次。