谷歌近日在Gemini3.1系列中正式推出全新文字转语音模型Gemini-TTS，官方给出的定位直接而自信:"至今最富表现力的文本转语音解决方案"。
这款模型最核心的突破，在于把语音的"控制权"真正交给了开发者。以往的TTS产品，生成出来的声音往往千篇一律，语气平、节奏死、情绪单薄。Gemini-TTS则支持通过提示词直接调控语音的情感、节奏和风格——旁白需要低沉庄重，对话需要轻松自然，停顿落在哪里、情绪如何起伏，都可以用语言描述来精确控制。听感上的自然度和细腻程度，比过去的同类产品上了一个台阶。
多语言支持方面，Gemini-TTS覆盖约70种语言，中文普通话、英语、西班牙语、日语等主流语种均在列。更省心的是，模型可以自动识别输入文本的语种，无需开发者手动标注，直接生成对应语言的语音输出。对于需要服务全球用户的企业来说，这意味着一套API就能搞定多语种内容的语音化需求，有声读物、播客、客服机器人、教育应用都是直接受益的场景。
谷歌还特别强调了Gemini-TTS与同系列音频模型的协同能力。在实时对话、语音翻译和多模态交互场景中，系统可以在保持低延迟的同时，通过文本提示和音频标记对语音输出进行精细调控，让AI在电话、会议、导航等实际使用场景中听起来更接近真实的人类交流。
语音，正在成为AI下一个主战场。谷歌这次出手，来势不小。
via AI新闻资讯 (author: AI Base)
