// 01 Gemini TTS 是什么
什么是 Gemini TTS
Gemini TTS 是当前 Google 通过 Gemini API 和 Google AI Studio 提供的先进 文本转语音（Text-to-Speech） 技术，它能将纯文本输入转换为自然、表情丰富、可控的语音输出。与早期的 TTS 系统相比，Gemini TTS 不仅在自然度和声线表现上更加逼真，还支持通过提示（prompt）对风格、情绪、语速等进行细粒度控制，适用于多种创造性与生产力应用。 Google Cloud Documentation+1
Gemini TTS 的旗舰模型包括 Gemini 2.5 Flash TTS 和 Gemini 2.5 Pro TTS，分别在低延迟实时生成和高表现力、生产级语音质量之间提供平衡，可在 Google AI Studio Playground 中在线体验或通过 API 调用集成到产品中。 Google Cloud Documentation+1
核心功能与技术优势
高保真自然语音输出
Gemini TTS 能生成接近真人发声的音频，语调、语速和停顿更加自然，支持对语境进行动态适配，例如在强调句子重要部分时放慢语速，在轻快语境中加速节奏。 blog.google
这种自然表现力使得 Gemini TTS 特别适合用于有声书、在线课程、播客旁白与互动虚拟角色配音等场景，避免了传统 TTS 机械感明显的缺陷。 blog.google
多语言与多语音支持
通过 Gemini TTS，可以自动检测输入文本语言并生成对应语音。目前支持包括英语、汉语、印地语、西班牙语、法语、德语等 至少 24 种语言 的语音输出。 Google AI for Developers
系统还支持单声道与多声道（multi-speaker）合成，可在一个脚本中生成两个或更多“角色”对话，这对制作对话式内容、访谈录音或双人播客非常有用。 Google Cloud Documentation
自然语言风格与情绪控制
不同于只提供基本语调的 TTS 技术，Gemini TTS 允许开发者和内容创作者通过自然语言提示来指定语音风格，例如“欢乐且充满活力”“沉稳且专业”“轻柔低声”等，情绪级语音表达使输出效果更具表现力。 blog.google
这种情绪控制对故事叙述、数字角色互动、影视配音与动态语音内容创作都具有重要意义。 blog.google
可定制语速、语调与发音
Gemini TTS 支持精细控制语音参数，包括语速（pace）、语调（pitch）和发音细节等。这意味着你可以将同一段文字以不同节奏和风格展现出多种效果，而无需手动音频编辑。 Google Cloud Documentation
Gemini TTS 的实际用途
内容创作与媒体制作
对于内容创作者和媒体团队而言，Gemini TTS 提供了一个强大的音频制作工具，可在无录音棚的情况下快速生成高质量旁白。例如：
故事朗读与儿童音频书
产品视频配音
社交媒体短剧音轨
教育课程讲解音频 blog.google
通过语气与风格控制功能，创作者无需声优即可生产具有个性化表现的语音内容。
教育与无障碍辅助
Gemini TTS 适用于电子教材朗读、语言学习辅助、视觉障碍辅助阅读等场景。针对不同语种的自动识别与自然语音输出，使学习者和使用者能够更流畅地理解文本，同时提升无障碍工具的可用性。 Google AI for Developers
如何在 Google AI Studio 和 API 中使用 Gemini TTS
Google AI Studio
登录 Google AI Studio
选择 “生成媒体（Generate Media）”
在语音合成（Speech）部分选择 Gemini 2.5 Flash 或 Pro TTS
输入你想要合成的文本，并可选输入风格提示
选择语言与声线参数，点击生成音频 Google Cloud
这种方式无需编写代码即可快速生成并试听输出，适合媒体制作与预览。
API 调用方式
开发者可以通过 Gemini API（例如通过 Vertex AI 或 Cloud Text-to-Speech API）将 Gemini TTS 集成到自有应用中，通过 HTTP 请求发送文本并获取语音流或音频文件。生成过程支持同步与流式输出模式，音频输出格式如 MP3、OGG 等。 Google Cloud Documentation
