一到两位独立说话人
可在一次输出中生成单人旁白或双人场景。为每位说话人设置音色、声音画像、口音、风格和节奏，再将每轮台词分配给对应角色。
直接在 Img2Vid 中完成 AI 视频草稿。选择兼容模型，查看价格和套餐资格，然后在同一工作区生成。
Checking price and access…
Gemini 3.1 Flash TTS
Gemini 3.1 Flash TTS 是 Google 推出的预览版可控语音生成模型，适合旁白和对话。在 Img2Vid 中，你可以定义一到两位说话人，从 30 种音色中选择声音，分别设置风格、节奏、口音与角色特征，再通过有序台词和音频标签完成表演。它提供的是结构化语音创作，而不是一个含义模糊的提示词输入框。
聆听 Gemini 3.1 Flash TTS 在六类真实场景中的表现
以下案例的音频均由 Gemini 3.1 Flash TTS 通过已配置的 KIE 任务接口真实生成。为适配当前统一的展示播放器，Img2Vid 将原始语音封装为 16:9 动态声波视频，便于对比旁白、双语表达、角色区分、戏剧表演与产品引导等能力。
生成指导
Zephyr 音色、美式口音、Promo/Hype 风格与自然节奏。高端产品发布旁白从沉稳自信逐步过渡到更有能量的行动邀请。
核心能力
Gemini 3.1 Flash TTS 可以控制哪些语音维度
Gemini 3.1 Flash TTS 将精确台词朗读与自然语言表演指导结合起来。Google 官方文档列出了 30 种音色、70 多种语言、最多两位说话人以及行内音频标签。Img2Vid 将这些能力拆成明确、可复用的配置项。
三十种预置音色
当前 Gemini 3.1 Flash TTS 配置完整提供 Google 文档中的 30 种音色，包括 Zephyr、Puck、Kore、Fenrir、Aoede 和 Charon。音色名称不能代表全部表现，正式使用前应实际试听。
支持七十多种语言
模型可根据输入文本自动识别语言并生成多语言语音。人名、缩写、数字和混合语言仍应由母语使用者审核。
行内音频标签
可以在台词中使用 [whispers]、[laughs]、[gasp] 等表达指导，让 Gemini 3.1 Flash TTS 改变局部表现，而不必重设整个角色的全局风格。
场景与全局语气
将地点、人物关系、情绪变化和整体语气与精确台词分开描述。场景上下文会与每位说话人的独立配置共同作用。
SynthID 来源标记
Google 表示 Gemini 3.1 Flash TTS 生成的音频包含 SynthID。创作者仍需完成授权、权利、披露和内容审核。
制作流程
更可靠的 Gemini 3.1 Flash TTS 工作流
高质量语音应先完成选角和表演指导。Img2Vid 将这些决策保持为可见配置，让每次修改只针对一个变量。
- Step 01
先选择角色音色
选择一到两种音色，并通过角色、能量、年龄感和表达方式定义声音画像，避免模仿真实人物。
- Step 02
设置表演边界
选择口音、风格、节奏和随机度，补充场景与整体语气。生成指导应与台词一致，不要给模型相互矛盾的要求。
- Step 03
编排有序台词
将每轮台词分配给已定义的说话人。Img2Vid 当前允许八轮、每轮 250 个字符，这是产品保护边界，并非宣称的 Google 模型上限。
- Step 04
试听、比较与单项修改
检查发音、角色区分、节奏和情绪。每次只修改一个 Gemini 3.1 Flash TTS 参数，才能判断具体哪项指导真正改善了结果。
适用场景
Gemini 3.1 Flash TTS 最适合用在哪里
Gemini 3.1 Flash TTS 适合有明确脚本和角色关系的可控朗读，不是开放麦克风式实时对话。以下场景都能从清晰的台词与可重复的表演设置中受益。
播客片段
创建脚本化开场、回顾、讲解或双主持原型。不同声音画像能避免对话听起来只是一个通用音色在轮流说话。
对话 · 内容制作
生成指导
两位录音室主持人，能量差异清晰，交流自然，不过度使用播音腔。
有声书与连载故事
通过氛围、节奏和局部标签指导旁白或短角色场景，在投入完整制作前先验证文字被朗读后的实际效果。
旁白 · 故事
生成指导
克制的近距离旁白，较慢节奏，有控制地建立悬念。
产品教育
将新手引导和帮助文档转换为清晰语音，在保持整体语气稳定的同时，用标签强调关键操作。
新手引导 · 培训
生成指导
具有共情感的引导者，表达简洁，在每项操作之间停顿。
角色原型
使用差异明确的说话人测试游戏对话、互动叙事和提案场景。正式选角仍需创意和权利审核。
游戏 · 预演
生成指导
疲惫守卫与焦急旅人，紧张感清晰，最后以耳语揭示信息。
多语言本地化
创建多语言审核样稿或混合语言课程。模型可以生成多语言文本，但发音与文化语气应由母语使用者确认。
本地化 · 学习
生成指导
耐心的老师、清晰中文短句和自然英文回应。
品牌状态播报
为天气、无障碍或应用内状态生成具有稳定声音画像的脚本语音，动态事实必须在进入语音步骤前得到验证。
产品 · 无障碍
生成指导
沉稳中性的表达，事实清晰，不添加戏剧化强调。
模型定位
Gemini 3.1 Flash TTS 与其他语音工作流的区别
合理的比较应关注工作流匹配，而不是未经证实的绝对排名。Gemini 3.1 Flash TTS 强调 Google 原生的表现控制和多语言脚本语音，其他平台可能更侧重声音克隆或低延迟流式处理。
| 决策维度 | Gemini 3.1 Flash TTS | ElevenLabs | PlayHT |
|---|---|---|---|
| 主要定位 | 可控脚本旁白和双人场景 | 广泛音色平台与声音设计工作流 | 流式和对话式语音工作流 |
| 当前 Img2Vid 控制项 | 30 种音色、声音画像、口音、风格、节奏与标签 | 本页面未配置 | 本页面未配置 |
| 说话人结构 | 一次有序请求支持一到两位说话人 | 取决于所选产品与模型 | 取决于所选模型与接口 |
| 本页面声音克隆 | 当前集成不提供 | 其完整平台提供相关能力 | 其完整平台提供相关能力 |
常见问题
Gemini 3.1 Flash TTS 常见问题
了解 Gemini 3.1 Flash TTS 以及 Img2Vid 当前提供的准确配置和能力边界。