Google 放出了 Gemini 3.1 Flash TTS：TTS 排行榜第二，免费能用

Google 刚刚发布了新一代文本转语音 TTS 模型——Gemini 3.1 Flash TTS。

先报关键数据：Artificial Analysis TTS 排行榜 Elo 1211 分，全球第二，仅次于 ElevenLabs。Google AI Studio 可直接免费用。

核心升级：可控、有表现力、音质好

这次更新主要冲着三个方向：可控性、表现力、语音品质。

200+ 音频标签，想怎么演就怎么演

这是这次更新最大的亮点。Google 做了一套「音频标签」系统，超过 200 种标签，分四类：情绪、节奏、口音、格式。

用起来跟写剧本差不多：

[兴奋] 欢迎收看今天的节目！[停顿] 今晚我们要讨论的是如何活得更加快乐

你可以在文本里直接插入 [兴奋]、[停顿]、[笑声] 这类标记，模型照着标注演绎。不是「语速调快一点」的粗糙控制，而是能听出情绪变化的细腻表达。

一个 API 叫通，多角色对谈搞定

以前做播客或者有声书，多角色对话是个麻烦事——你得分别生成每个角色的语音再拼接。现在一个 API 调用里可以同时处理多个角色，每个角色独立设定声线、口音、个性。

做播客的人应该懂这个有多省事。

70+ 语言，中文在「高品质评估」名单里

支持超过 70 种语言，其中 24 种是 Google 标记为「高品质评估」的——简体中文就在里面。英文方面更夸张，美南腔、英式 RP 腔、甚至大西洋两岸的 Transatlantic 腔都有。

SynthID 水印，防伪造

所有生成的音频都嵌入了 DeepMind 开发的 SynthID 隐形水印。人耳听不出来，但工具能检测出来是不是 AI 生成的。

排名和价格

Artificial Analysis TTS 排行榜，Elo 1,211 分，全球第二。第一的 ElevenLabs 大概 1,280 分，差距不大，但价格差不少。

Gemini 这边的定价：文字输入每百万 token 约 1 美元，音频输出每百万 token 约 20 美元。按每秒音频约 25 个 token 算，一分钟音频大约 1,500 个 token。

怎么用？

打开 Google AI Studio，选 Gemini 3.1 Flash TTS Preview 模型，右侧可以换声音、设口音，生成完直接下载。

API 调用的 model 名是 gemini-3.1-flash-tts-preview，当前是 Preview 阶段。

几句看法

TTS 这两年卷得厉害。OpenAI 有 Voice Engine，ElevenLabs 一直稳坐头把交椅，现在 Google 用 Flash 系列的思路切入——不追求极致音质天花板，但追求性价比和可控性的最佳平衡点。

Flash 这个名字本身就说明了定位：快、轻、够用。对大部分内容创作者来说，一个能精确控制情感节奏、多角色一次搞定、成本还不高的工具，应该就足够用了。

先免费用起来再说。链接：https://aistudio.google.com/generate-speech

作者声明本文无利益相关，欢迎值友理性交流，和谐讨论～