16 April 2026

Gemini 3.1 Flash TTS：更自然、更可控的 AI 語音生成

by Vilobh Meshram and Max Gubin

AI News · 2026-04-16

原文連結： Gemini 3.1 Flash TTS: the next generation of expressive AI speech

摘要

Gemini 3.1 Flash TTS 是 Google 最新的文字轉語音模型，重點放在更自然、更有表情的輸出
新增 audio tags，可以用自然語言直接控制語氣、節奏、角色感與發音方式
模型支援 70+ 語言，並具備原生多說話者對話能力，可在 Google AI Studio、Vertex AI 與 Google Vids 使用
Google 把它定位成開發者、企業與一般使用者都能上手的 AI 語音工具
所有輸出音訊都會加上 SynthID 浮水印，降低深偽和誤導風險
這次更新的核心不是「能不能唸」，而是「能不能把聲音導演得更像真的」

· · ·

Google 今天推出 Gemini 3.1 Flash TTS，這是最新一代的文字轉語音模型，主打更好的可控性、表現力與整體品質。對想做 AI 語音應用的人來說，這次更新不是單純把聲音唸出來而已，而是把「怎麼唸」變成可以被精細控制的能力。

Google 也把它放進多個產品入口：開發者可以透過 Gemini API 和 Google AI Studio 使用，企業端則會在 Vertex AI 提供預覽，Google Workspace 使用者也能在 Google Vids 裡碰到它。這代表它不只是實驗室模型，而是直接往可部署的產品層推。

在官方的說法裡，Gemini 3.1 Flash TTS 是目前最自然、最有表情的語音模型之一。Google 也引用 Artificial Analysis 的 TTS leaderboard，說它拿到 1,211 的 Elo 分數，並且落在那個結合高品質與低成本的理想區間。對語音模型來說，這種定位很關鍵，因為它想同時吃下品質、延遲與成本三個戰場。

用 audio tags 把聲音當成可編排素材

這次最有意思的設計，是新增了 audio tags。它讓使用者可以直接在文字裡下自然語言指令，去控制聲音的風格、節奏與表達方式。換句話說，聲音不再只是模型「唸出來」的結果，而是可以像導演指揮演出一樣被塑形。

Google 在 AI Studio 裡提供幾個可操作的層次：

場景指令，先把環境和對話情境定下來，讓角色在多輪輸出裡保持一致
說話者級別控制，替角色指定 Audio Profile，再用 Director’s Notes 調整速度、語氣與口音
順手匯出，把調好的參數直接匯成 Gemini API 程式碼，讓聲音在不同產品之間保持一致

這套設計很明顯是朝「聲音製作工作流」走，而不是單純的 TTS API。對需要角色配音、互動式語音、語音助理或多語市場內容的人來說，這種可控性比只追求自然度更實用。

為全球規模而生

Gemini 3.1 Flash TTS 支援 70+ 語言，而且還具備原生多說話者對話能力；Google 特別把它包裝成可在全球規模部署的語音引擎。這不是小地方加點語言包，而是希望同一套模型可以橫跨不同市場、不同口音與不同使用情境。

Google 也說，早期的開發者與企業測試者已經反映，這版模型的可控性和表現力比以前更好。這和它的產品定位是對得上的，因為真正落地的語音產品，往往不是要最花俏，而是要足夠穩、足夠可預測。

用 SynthID 把責任一起帶上線

所有 Gemini 3.1 Flash TTS 生成的音訊，都會加入 SynthID 浮水印。這個浮水印是不可察覺的，但能幫助辨識音訊是不是 AI 生成，用來降低誤導和深偽風險。

Google 這裡其實是在提醒一件事，語音 AI 越強，責任門檻也越高。當模型開始能說出更像真人的聲音，工具能力和治理能力就不能分開看。

這版更新真正的重點

表面上看，Gemini 3.1 Flash TTS 是一個語音模型更新。但更深一層，它是在把 AI 語音從「合成」推向「導演」。

下一波競爭可能不只是誰的聲音比較像人，而是誰能讓開發者更容易把聲音設計成一個可重用、可控、可跨平台的產品元件。這件事一旦成立，語音助理、客服系統、影音工具與多語內容產線都會重新洗牌。

· · ·

延伸評論：語音模型的競爭，已經從「會不會說」變成「能不能導演」

這次更新最值得注意的，不是 TTS 變得更順，而是 Google 直接把語音當成一種可編排的創作材料。當 audio tags、角色控制、場景指令和匯出設定一起出現，產品重心其實已經從「生成結果」移到「控制流程」。

對真的要做語音產品的人來說，這很重要。因為真正的門檻從來不是把字唸出來，而是讓聲音在多語、多角色、多情境下都穩定、可預測、可重現。這才是下一輪語音 AI 會拉開差距的地方。