Gemini-TTS

在 Vertex AI Studio 中試用 Gemini-TTS 在 Colab 中試用在 GitHub 中查看筆記本

Gemini-TTS 是最新推出的文字轉語音技術，不僅能生成自然聽感的語音，還可根據文字提示詞精細控制生成的音訊。有了 Gemini-TTS，無論是簡短文字片段還是長篇敘事，都能合成單人或多人語音，還可以透過自然語言提示詞精準指定風格、口音、語速、語氣，甚至是表達情緒。

可用模型

Gemini-TTS 包含下列可用模型：

Gemini 2.5 Flash TTS

模型 ID	`gemini-2.5-flash-tts`
適合用途	生成單一和多位說話者的文字轉語音音訊，延遲時間短、可控制，適用於日常應用程式，經濟實惠
輸入和輸出模態	輸入內容：文字輸出內容：音訊
支援的說話者人數	單一、多位說話者
支援的輸出音訊格式^*	`LINEAR16` (預設)、`ALAW`、`MULAW`、`MP3`、`OGG_OPUS`、`PCM`
支援的區域	`global`
語音選項	查看語音選項
支援的語言	查看支援的語言
範例	model: "gemini-2.5-flash-tts" prompt: "Say the following" text: "[extremely fast] Availability and terms may vary. Check our website or your local store for complete details and restrictions." speaker: "Kore"

Gemini 2.5 Pro TTS

模型 ID	`gemini-2.5-pro-tts`
適合用途	高度控管結構化工作流程，例如生成 Podcast、有聲書、客戶服務等
輸入和輸出模態	輸入內容：文字輸出內容：音訊
支援的說話者人數	單一、多位說話者
支援的輸出音訊格式^*	`LINEAR16` (預設)、`ALAW`、`MULAW`、`MP3`、`OGG_OPUS`、`PCM`
支援的區域	`global`
語音選項	查看語音選項
支援的語言	查看支援的語言
範例	model: "gemini-2.5-pro-tts" prompt: "You are having a casual conversation with a friend. Say the following in a friendly and amused way." text: "hahah I did NOT expect that. Can you believe it!." speaker: "Callirrhoe"

^* 僅限 batch。不支援 streaming。

其他控制項

其他控制項和功能包括：

自然對話：語音互動品質極佳，表達方式和節奏模式更加自然，且延遲時間極短，對話流暢無礙。
風格控制：使用自然語言提示詞，即可在對話中調整語氣，讓對話採用特定口音，並產生各種語調和表達方式，包括輕聲耳語。
動態朗讀：這些模型能生動朗讀文字，例如詩歌、新聞報導和引人入勝的故事，還能依要求以特定情緒表演，或是模仿口音。
加強控制語速和發音：控制語速有助於確保發音更準確，包括讀出特定字詞。

如要瞭解如何在應用程式中使用這些語音，請參閱「使用 Gemini-TTS」。

語音選項

Gemini-TTS 提供多種語音選項，與現有的「Chirp 3：HD 語音」類似，但各有不同特色：

名稱	性別	示範
Achernar	女性
Achird	男性
Algenib	男性
Algieba	男性
Alnilam	男性
Aoede	女性
Autonoe	女性
Callirrhoe	女性
Charon	男性
Despina	女性
Enceladus	男性
Erinome	女性
Fenrir	男性
Gacrux	女性
Iapetus	男性
Kore	女性
Laomedeia	女性
Leda	女性
Orus	男性
Pulcherrima	女性
Puck	男性
Rasalgethi	男性
Sadachbia	男性
Sadaltager	男性
Schedar	男性
Sulafat	女性
Umbriel	男性
Vindemiatrix	女性
Zephyr	女性
Zubenelgenubi	男性

支援的語言

Gemini-TTS 支援下列語言：

語言	BCP-47 代碼	發布準備完成度
阿拉伯文 (埃及)	ar-EG	正式發布版
荷蘭文 (荷蘭)	nl-NL	正式發布版
英文 (印度)	en-IN	正式發布版
英文 (美國)	en-US	正式發布版
法文 (法國)	fr-FR	正式發布版
德文 (德國)	de-DE	正式發布版
北印度文 (印度)	hi-IN	正式發布版
印尼文 (印尼)	id-ID	正式發布版
義大利文 (義大利)	it-IT	正式發布版
日文 (日本)	ja-JP	正式發布版
韓文 (韓國)	ko-KR	正式發布版
馬拉地文 (印度)	mr-IN	正式發布版
波蘭文 (波蘭)	pl-PL	正式發布版
葡萄牙文 (巴西)	pt-BR	正式發布版
羅馬尼亞文 (羅馬尼亞)	ro-RO	正式發布版
俄文 (俄羅斯)	ru-RU	正式發布版
西班牙文 (西班牙)	es-ES	正式發布版
泰米爾文 (印度)	ta-IN	正式發布版
泰盧固文 (印度)	te-IN	正式發布版
泰文 (泰國)	th-TH	正式發布版
土耳其文 (土耳其)	tr-TR	正式發布版
烏克蘭文 (烏克蘭)	uk-UA	正式發布版
越南文 (越南)	vi-VN	正式發布版
南非荷蘭文 (南非)	af-ZA	預先發布版
阿爾巴尼亞文 (阿爾巴尼亞)	sq-AL	預先發布版
阿姆哈拉文 (衣索比亞)	am-ET	預先發布版
阿拉伯文 (全球)	ar-001	預先發布版
亞美尼亞文 (亞美尼亞)	hy-AM	預先發布版
亞塞拜然文 (亞塞拜然)	az-AZ	預先發布版
孟加拉文 (孟加拉)	bn-BD	預先發布版
巴斯克文 (西班牙)	eu-ES	預先發布版
白俄羅斯文 (白俄羅斯)	be-BY	預先發布版
保加利亞文 (保加利亞)	bg-BG	預先發布版
緬甸文 (緬甸)	my-MM	預先發布版
加泰隆尼亞文 (西班牙)	ca-ES	預先發布版
宿霧文 (菲律賓)	ceb-PH	預先發布版
中文/華語 (中國)	cmn-CN	預先發布版
中文/華語 (台灣)	cmn-tw	預先發布版
克羅埃西亞文 (克羅埃西亞)	hr-HR	預先發布版
捷克文 (捷克共和國)	cs-CZ	預先發布版
丹麥文 (丹麥)	da-DK	預先發布版
英文 (澳洲)	en-AU	預先發布版
英文 (英國)	en-GB	預先發布版
愛沙尼亞文 (愛沙尼亞)	et-EE	預先發布版
菲律賓文 (菲律賓)	fil-PH	預先發布版
芬蘭文 (芬蘭)	fi-FI	預先發布版
法文 (加拿大)	fr-CA	預先發布版
加里西亞文 (西班牙)	gl-ES	預先發布版
喬治亞文 (喬治亞)	ka-GE	預先發布版
希臘文 (希臘)	el-GR	預先發布版
古吉拉特文 (印度)	gu-IN	預先發布版
海地克里奧爾文 (海地)	ht-HT	預先發布版
希伯來文 (以色列)	he-IL	預先發布版
匈牙利文 (匈牙利)	hu-HU	預先發布版
冰島文 (冰島)	is-IS	預先發布版
爪哇文 (爪哇)	jv-JV	預先發布版
卡納達文 (印度)	kn-IN	預先發布版
貢根文 (印度)	kok-IN	預先發布版
寮文 (寮國)	lo-LA	預先發布版
拉丁文 (梵蒂岡)	la-VA	預先發布版
拉脫維亞文 (拉脫維亞)	lv-LV	預先發布版
立陶宛文 (立陶宛)	lt-LT	預先發布版
盧森堡文 (盧森堡)	lb-LU	預先發布版
馬其頓文 (北馬其頓)	mk-MK	預先發布版
邁蒂利文 (印度)	mai-IN	預先發布版
馬達加斯加文 (馬達加斯加)	mg-MG	預先發布版
馬來文 (馬來西亞)	ms-MY	預先發布版
馬拉雅拉姆文 (印度)	ml-IN	預先發布版
蒙古文 (蒙古)	mn-MN	預先發布版
尼泊爾文 (尼泊爾)	ne-NP	預先發布版
挪威博克馬爾文 (挪威)	nb-NO	預先發布版
挪威文/新挪威文 (挪威)	nn-NO	預先發布版
歐迪亞文 (印度)	or-IN	預先發布版
普什圖文 (阿富汗)	ps-AF	預先發布版
波斯文 (伊朗)	fa-IR	預先發布版
葡萄牙文 (葡萄牙)	pt-PT	預先發布版
旁遮普文 (印度)	pa-IN	預先發布版
塞爾維亞文 (塞爾維亞)	sr-RS	預先發布版
信德文 (印度)	sd-IN	預先發布版
僧伽羅文 (斯里蘭卡)	si-LK	預先發布版
斯洛伐克文 (斯洛伐克)	sk-SK	預先發布版
斯洛維尼亞文 (斯洛維尼亞)	sl-SI	預先發布版
西班牙文 (拉丁美洲)	es-419	預先發布版
西班牙文 (墨西哥)	es-MX	預先發布版
斯瓦希里文 (肯亞)	sw-KE	預先發布版
瑞典文 (瑞典)	sv-SE	預先發布版
烏爾都文 (巴基斯坦)	ur-PK	預先發布版

使用 Gemini-TTS

瞭解如何使用 Gemini-TTS 模型合成單人和多人語音。

事前準備

您必須先在Google Cloud 控制台啟用 API，才能開始使用 Text-to-Speech，步驟如下：

在專案中啟用 Text-to-Speech
確認已啟用 Text-to-Speech 的計費功能。
設定開發環境的驗證機制。

設定 Google Cloud 專案

登入 Google Cloud 控制台。
前往專案選取器頁面。

您可以選擇現有專案或建立新專案。如要進一步瞭解如何建立專案，請參閱Google Cloud 說明文件。
如果選擇建立新專案，系統會顯示訊息，提示您連結帳單帳戶；如果選擇使用現有專案，請務必啟用計費功能。

瞭解如何確認已啟用專案的計費功能

注意：您必須啟用計費功能，才能使用 Text-to-Speech API，但只有在超出免付費配額時，系統才會向您收費。如要進一步瞭解定價，請參閱定價頁面。
選取專案並連結到帳單帳戶後，即可啟用 Text-to-Speech API。請前往頁面頂端的「Search products and resources」(搜尋產品和資源) 列，輸入「speech」，然後從結果清單中選取「Cloud Text-to-Speech API」。
如要試用 Text-to-Speech，但不想將這項工具連結到專案，請選擇「Try this API」(試用這個 API) 選項。如要啟用 Text-to-Speech API，以便搭配專案使用，請按一下「Enable」(啟用)。
設定開發環境的驗證機制。如需操作說明，請參閱「設定 Text-to-Speech 的驗證機制」。

執行單一說話者同步合成作業

Python

# google-cloud-texttospeech minimum version 2.29.0 is required.

import os
from google.cloud import texttospeech

PROJECT_ID = os.getenv("GOOGLE_CLOUD_PROJECT")

def synthesize(prompt: str, text: str, output_filepath: str = "output.mp3"):
    """Synthesizes speech from the input text and saves it to an MP3 file.

    Args:
        prompt: Styling instructions on how to synthesize the content in
          the text field.
        text: The text to synthesize.
        output_filepath: The path to save the generated audio file.
          Defaults to "output.mp3".
    """
    client = texttospeech.TextToSpeechClient()

    synthesis_input = texttospeech.SynthesisInput(text=text, prompt=prompt)

    # Select the voice you want to use.
    voice = texttospeech.VoiceSelectionParams(
        language_code="en-US",
        name="Charon",  # Example voice, adjust as needed
        model_name="gemini-2.5-pro-tts"
    )

    audio_config = texttospeech.AudioConfig(
        audio_encoding=texttospeech.AudioEncoding.MP3
    )

    # Perform the text-to-speech request on the text input with the selected
    # voice parameters and audio file type.
    response = client.synthesize_speech(
        input=synthesis_input, voice=voice, audio_config=audio_config
    )

    # The response's audio_content is binary.
    with open(output_filepath, "wb") as out:
        out.write(response.audio_content)
        print(f"Audio content written to file: {output_filepath}")

CURL

# Make sure to install gcloud cli, and sign in to your project.
# Make sure to use your PROJECT_ID value.
# The available models are gemini-2.5-flash-tts and gemini-2.5-pro-tts.
# To parse the JSON output and use it directly see the last line of the command.
# Requires JQ and ffplay library to be installed.
PROJECT_ID=YOUR_PROJECT_ID
curl -X POST \
  -H "Authorization: Bearer $(gcloud auth application-default print-access-token)" \
  -H "x-goog-user-project: $PROJECT_ID" \
  -H "Content-Type: application/json" \
-d '{
  "input": {
    "prompt": "Say the following in a curious way",
    "text": "OK, so... tell me about this [uhm] AI thing."
  },
  "voice": {
    "languageCode": "en-us",
    "name": "Kore",
    "model_name": "gemini-2.5-flash-tts"
  },
  "audioConfig": {
    "audioEncoding": "LINEAR16"
  }
}' \
  "https://texttospeech.googleapis.com/v1/text:synthesize" \
  | jq -r '.audioContent' | base64 -d | ffplay - -autoexit

使用任意形式的文字輸入內容，執行多位說話者同步合成作業

Python

# google-cloud-texttospeech minimum version 2.31.0 is required.

import os
from google.cloud import texttospeech

PROJECT_ID = os.getenv("GOOGLE_CLOUD_PROJECT")

def synthesize_multispeaker_freeform(
    prompt: str,
    text: str,
    output_filepath: str = "output_non_turn_based.wav",
):
    """Synthesizes speech from non-turn-based input and saves it to a WAV file.

    Args:
        prompt: Styling instructions on how to synthesize the content in the
          text field.
        text: The text to synthesize, containing speaker aliases to indicate
          different speakers. Example: "Sam: Hi Bob!\nBob: Hi Sam!"
        output_filepath: The path to save the generated audio file. Defaults to
          "output_non_turn_based.wav".
    """
    client = texttospeech.TextToSpeechClient()

    synthesis_input = texttospeech.SynthesisInput(text=text, prompt=prompt)

    multi_speaker_voice_config = texttospeech.MultiSpeakerVoiceConfig(
        speaker_voice_configs=[
            texttospeech.MultispeakerPrebuiltVoice(
                speaker_alias="Speaker1",
                speaker_id="Kore",
            ),
            texttospeech.MultispeakerPrebuiltVoice(
                speaker_alias="Speaker2",
                speaker_id="Charon",
            ),
        ]
    )

    voice = texttospeech.VoiceSelectionParams(
        language_code="en-US",
        model_name="gemini-2.5-pro-tts",
        multi_speaker_voice_config=multi_speaker_voice_config,
    )

    audio_config = texttospeech.AudioConfig(
        audio_encoding=texttospeech.AudioEncoding.LINEAR16,
        sample_rate_hertz=24000,
    )

    response = client.synthesize_speech(
        input=synthesis_input, voice=voice, audio_config=audio_config
    )

    with open(output_filepath, "wb") as out:
        out.write(response.audio_content)
        print(f"Audio content written to file: {output_filepath}")

CURL

# Make sure to install gcloud cli, and sign in to your project.
# Make sure to use your PROJECT_ID value.
# The available models are gemini-2.5-flash-tts and gemini-2.5-pro-tts
# To parse the JSON output and use it directly see the last line of the command.
# Requires JQ and ffplay library to be installed.
# google-cloud-texttospeech minimum version 2.31.0 is required.
PROJECT_ID=YOUR_PROJECT_ID
curl -X POST \
  -H "Authorization: Bearer $(gcloud auth application-default print-access-token)" \
  -H "x-goog-user-project: $PROJECT_ID" \
  -H "Content-Type: application/json" \
-d '{
  "input": {
    "prompt": "Say the following as a conversation between friends.",
    "text": "Sam: Hi Bob, how are you?\\nBob: I am doing well, and you?"
  },
  "voice": {
    "languageCode": "en-us",
    "modelName": "gemini-2.5-flash-tts",
    "multiSpeakerVoiceConfig": {
      "speakerVoiceConfigs": [
        {
          "speakerAlias": "Sam",
          "speakerId": "Kore"
        },
        {
          "speakerAlias": "Bob",
          "speakerId": "Charon"
        }
      ]
    }
  },
  "audioConfig": {
    "audioEncoding": "LINEAR16",
    "sampleRateHertz": 24000
  }
}' \
  "https://texttospeech.googleapis.com/v1/text:synthesize" \
  | jq -r '.audioContent' | base64 -d | ffplay - -autoexit

使用結構化文字輸入內容，執行多位說話者同步合成作業

根據結構化文字輸入內容，以類似人類的口吻將文字轉換成多人語音。舉例來說，這類輸入內容適用於地址和日期。如果是任意形式的文字輸入內容，系統會完全按照撰寫內容朗讀。

Python

# google-cloud-texttospeech minimum version 2.31.0 is required.

import os
from google.cloud import texttospeech

PROJECT_ID = os.getenv("GOOGLE_CLOUD_PROJECT")

def synthesize_multispeaker_structured(
    prompt: str,
    turns: list[texttospeech.MultiSpeakerMarkup.Turn],
    output_filepath: str = "output_turn_based.wav",
):
    """Synthesizes speech from turn-based input and saves it to a WAV file.

    Args:
        prompt: Styling instructions on how to synthesize the content in the
          text field.
        turns: A list of texttospeech.MultiSpeakerMarkup.Turn objects representing
          the dialogue turns.
        output_filepath: The path to save the generated audio file. Defaults to
          "output_turn_based.wav".
    """
    client = texttospeech.TextToSpeechClient()

    synthesis_input = texttospeech.SynthesisInput(
        multi_speaker_markup=texttospeech.MultiSpeakerMarkup(turns=turns),
        prompt=prompt,
    )

    multi_speaker_voice_config = texttospeech.MultiSpeakerVoiceConfig(
        speaker_voice_configs=[
            texttospeech.MultispeakerPrebuiltVoice(
                speaker_alias="Speaker1",
                speaker_id="Kore",
            ),
            texttospeech.MultispeakerPrebuiltVoice(
                speaker_alias="Speaker2",
                speaker_id="Charon",
            ),
        ]
    )

    voice = texttospeech.VoiceSelectionParams(
        language_code="en-US",
        model_name="gemini-2.5-pro-tts",
        multi_speaker_voice_config=multi_speaker_voice_config,
    )

    audio_config = texttospeech.AudioConfig(
        audio_encoding=texttospeech.AudioEncoding.LINEAR16,
        sample_rate_hertz=24000,
    )

    response = client.synthesize_speech(
        input=synthesis_input, voice=voice, audio_config=audio_config
    )

    with open(output_filepath, "wb") as out:
        out.write(response.audio_content)
        print(f"Audio content written to file: {output_filepath}")

CURL

# Make sure to install gcloud cli, and sign in to your project.
# Make sure to use your PROJECT_ID value.
# The available models are gemini-2.5-flash-tts and gemini-2.5-pro-tts.
# To parse the JSON output and use it directly see the last line of the command.
# Requires JQ and ffplay library to be installed.
# google-cloud-texttospeech minimum version 2.31.0 is required.
PROJECT_ID=YOUR_PROJECT_ID
curl -X POST \
  -H "Authorization: Bearer $(gcloud auth application-default print-access-token)" \
  -H "x-goog-user-project: $PROJECT_ID" \
  -H "Content-Type: application/json" \
-d '{
  "input": {
    "prompt": "Say the following as a conversation between friends.",
    "multiSpeakerMarkup": {
      "turns": [
        {
          "speaker": "Sam",
          "text": "Hi Bob, how are you?"
        },
        {
          "speaker": "Bob",
          "text": "I am doing well, and you?"
        }
      ]
    }
  },
  "voice": {
    "languageCode": "en-us",
    "modelName": "gemini-2.5-flash-tts",
    "multiSpeakerVoiceConfig": {
      "speakerVoiceConfigs": [
        {
          "speakerAlias": "Sam",
          "speakerId": "Kore"
        },
        {
          "speakerAlias": "Bob",
          "speakerId": "Charon"
        }
      ]
    }
  },
  "audioConfig": {
    "audioEncoding": "LINEAR16",
    "sampleRateHertz": 24000
  }
}' \
  "https://texttospeech.googleapis.com/v1/text:synthesize" \
  | jq -r '.audioContent' | base64 -d | ffplay - -autoexit

在 Media Studio 中執行語音合成作業

您可以在 Google Google Cloud 控制台透過 Media Studio 試用文字轉語音模型。這個使用者介面可快速生成及聆聽合成音訊，並測試不同的風格指令和參數。

在 Google Google Cloud 控制台中，依序前往「Vertex AI Studio」>「Media Studio」頁面。

Media Studio
從媒體下拉式選單中選取「Speech」(語音)。
在文字欄位中，輸入要合成語音的文字。
在「Settings」(設定) 窗格中完成下列設定：
1. 模型：選取要使用的文字轉語音 (TTS) 模型，例如 Gemini 2.5 Pro TTS。如要進一步瞭解可用模型，請參閱「文字轉語音模型」。
2. 風格指令：(選用) 輸入文字提示詞，描述想要的說話風格、語氣和情緒，藉此引導模型，讓最終的語音表現超越預設水準。例如：「Narrate in a calm, professional tone for a documentary.」(以平靜專業的語氣為紀錄片配旁白。)
3. 語言：選取輸入文字的語言和地區。模型會以所選語言和口音生成語音，例如「English (United States)」(英文 (美國))。
4. 語音：選擇預先定義的旁白語音。清單會顯示所選模型和語言的可用語音，例如「Acherner (Female)」(Acherner (女性))。
(選用) 展開「Advanced options」(進階選項) 部分，設定音訊技術設定：
1. 音訊編碼：選取輸出音訊檔案的編碼方式。LINEAR16 是無失真且未經壓縮的格式，適合用於處理高品質音訊。MULAW 也適用於輸出壓縮音訊。
2. 音訊取樣率：選擇取樣率，單位為赫茲 (Hz)。這項設定會決定音質。這個值越高 (例如 44,100 Hz)，代表音訊保真度越高，相當於 CD 音質。
3. 速度：移動滑桿或輸入值，即可調整語速。值低於 1.0 會減緩語速，值高於 1.0 則會加快語速，預設值為 1。
4. 音量增益 (分貝)：以分貝 (dB) 為單位調整輸出音訊的音量。正值會調高音量，負值則會調低音量。預設值為 0。
按一下文字方塊右側的「傳送」圖示，即可生成音訊。
生成的音訊會顯示在媒體播放器中，點按播放按鈕即可聆聽輸出內容。您可以繼續調整設定，並視需要生成新版本。

提示詞訣竅

如要根據文字內容建立自然流暢的語音，必須先瞭解口語表達與將口語轉換成腳本的細微差異。請參考下列訣竅，撰寫出真實且符合所選語氣的腳本。

語音控制的三個技巧

如要獲得可預測性最高且細緻的結果，請確保下列三個元件都與所需輸出內容一致。

風格提示詞：主要用來決定整體情緒基調和傳達方式，這個提示詞會為整段語音設定情境。

範例：You are an AI assistant speaking in a friendly and helpful tone.
範例：Narrate this in the calm, authoritative tone of a nature documentary narrator.

文字內容：您要合成的字詞語意。如果使用的詞組與風格提示詞的情緒一致，會比使用中性文字產生出更可靠的結果。

效果良好：如果要用提示詞指示系統生成驚恐語氣，最適合搭配「I think someone is in the house.」這類文字
效果較差：如果要用提示詞指示系統生成驚恐語氣，但文字內容是「The meeting is at 4 PM.」，就會產生模稜兩可的結果

標記：方括號標記 (例如 [sigh]) 最適合用於插入特定本地化動作或風格修改項目，而非設定整體語氣。這些標記可與風格提示詞和文字內容相互配合。

標記指南

研究顯示，用方括號括住的標記會以三種不同模式運作。瞭解標記模式是有效使用標記的關鍵。

模式 1：非語音聲音

標記會替換為可聽見的非語音發聲 (例如嘆氣、笑聲)。系統不會唸出標記本身。這類語音很適合加入真實、類似人類的遲疑和反應。

標記	行為	可靠性	指引
`[sigh]`	插入嘆氣聲。	高	嘆氣的情緒品質會受到提示詞影響。
`[laughing]`	插入笑聲。	高	為達最佳效果，請使用具體提示詞。比方說，一般提示詞可能會產生驚訝的笑聲，而「react with an amused laugh」(用開心的笑聲回應) 則會產生愉悅的笑聲。
`[uhm]`	插入猶豫聲。	高	有助於營造更自然流暢的對話感。

模式 2：風格修飾符

系統不會朗讀標記，但會調整後續語音的傳達方式。調整的範圍和時間長度可能有所不同。

標記	行為	可靠性	指引
`[sarcasm]`	為後續詞組加上諷刺的語氣。	高	這個標記是強大的修飾符，表示抽象概念可以成功引導模型的傳達語氣。
`[robotic]`	使後續語音聽起來像機器人。	高	效果可套用到整個詞組。我們仍建議使用支持性風格提示詞 (例如「Say this in a robotic way」(用機器人語氣說這段文字))，以利獲得最佳結果。
`[shouting]`	調高後續語音的音量。	高	搭配相符的風格提示詞 (例如「Shout this next part」(大聲說出下一段內容)) 和暗示大聲說話的文字，效果最佳。
`[whispering]`	降低後續語音的音量。	高	如果風格提示詞也很明確 (例如「now whisper this part as quietly as you can」(現在盡可能輕聲細語地說出這段文字))，可獲得最佳結果。
`[extremely fast]`	提高後續語音的速度。	高	適合用於免責事項或快速對話，幾乎不用進行提示工程。

模式 3：發音標記 (形容詞)

標記本身會以單字形式朗讀，同時影響整個句子的語氣。這種行為通常適用於情緒形容詞。

警告：系統會朗讀標記本身，因此在大多數情況下，這個模式可能會產生不必要的連帶效應。建議改用風格提示詞來設定情緒基調。

標記	行為	可靠性	指引
`[scared]`	說出「scared」(害怕) 一詞，句子會採用害怕的語氣。	高	語氣效果取決於文字內容。「I just heard a window break」(我剛才聽到窗戶破裂聲) 這句話會產生確切害怕的結果。中性詞組會產生「詭異」但較不真實的結果。
`[curious]`	說出「curious」(好奇) 一詞，句子會採用好奇的語氣。	高	使用疑問句支援標記的意圖。
`[bored]`	說出「bored」(無聊) 一詞，句子會採用無聊的平淡語氣。	高	建議搭配平淡或重複的文字使用，效果最佳。

模式 4：節奏和停頓

這些標記會在生成的音訊中插入停頓，讓您精細控制節奏、時間和速度。標準標點符號 (逗號、句號、分號) 也會產生自然停頓，但使用這些標記可更明確的控管效果。

標記	行為	可靠性	指引
`[short pause]`	插入短暫停頓，類似於逗號 (~250 毫秒)。	高	用來分隔子句或清單項目，讓內容更清楚。
`[medium pause]`	插入標準停頓，類似於句子中斷 (約 500 毫秒)。	高	有效分隔不同句子或想法。
`[long pause]`	插入明顯的停頓，營造戲劇性效果 (約 1000 毫秒以上)。	高	用於營造戲劇性效果，例如：「The answer is...`[long pause]`...no.」(答案是…拒絕。)請避免過度使用，否則聽起來會不自然。

確保結果可靠的關鍵策略

善用所有三個技巧。為獲得可預測性最高的結果，請確認風格提示詞、文字內容和所有標記在語意方面都保持一致，而且鎖定相同目標。
使用情感豐富的文字。不要只依賴提示詞和標記。提供豐富的描述性文字，讓模型據此生成內容。如果想呈現諷刺、恐懼或興奮等細微情緒，這點尤其重要。
輸入具體詳細的提示詞。風格提示詞越具體，結果就越可靠。比方說，「React with an amused laugh」(用開心的笑聲回應) 比單純的 [laughing] 更能傳達情緒。「Speak like a 1940s radio news announcer」(用 1940 年代的電台新聞播報員風格說話) 比「Speak in an old-fashioned way」(用老派風格說話) 更能獲得最佳效果。
測試及驗證新標記。如果是新標記或未經測試的標記，行為有時會難以預測。您認為是風格修飾符的標記可能會發音。因此，請務必先測試新的標記或提示詞組合，確認行為後，再部署到正式環境。

Gemini-TTS 透過集合功能整理內容 你可以依據偏好儲存及分類內容。

可用模型

Gemini 2.5 Flash TTS

Gemini 2.5 Pro TTS

其他控制項

語音選項

支援的語言

使用 Gemini-TTS

事前準備

設定 Google Cloud 專案

執行單一說話者同步合成作業

Python

CURL

使用任意形式的文字輸入內容，執行多位說話者同步合成作業

Python

CURL

使用結構化文字輸入內容，執行多位說話者同步合成作業

Python

CURL

在 Media Studio 中執行語音合成作業

提示詞訣竅

語音控制的三個技巧

標記指南

模式 1：非語音聲音

模式 2：風格修飾符

模式 3：發音標記 (形容詞)

模式 4：節奏和停頓

確保結果可靠的關鍵策略

Gemini-TTS