Gemini TTS 最佳实践：每次都能生成一致且富有表现力的音频

Google 的 Gemini TTS 模型重新定义了 AI 语音合成的可能性。与仅仅朗读文本的传统文字转语音引擎不同，Gemini TTS 模型建立在为 Gemini 提供支持的相同大型语言模型架构之上 —— 它们了解 说 什么、 谁 在说以及它应该 听起来 怎么样。

但这股力量伴随着复杂性。如果你得到的结果不一致 —— 有时很棒，有时很平淡 —— 本指南将告诉你原因，以及确切的解决方法。

在深入了解每项最佳实践之前，请了解 Gemini TTS 在三个相互关联的杠杆上运行。所有三个必须保持一致，才能获得可预测的高质量输出：

Gemini TTS 的输出由协同工作的三个杠杆驱动。将这三者对齐是获得可预测结果的最快方法：

音频预设是可重用的配置块，定义了谁在说话、他们在哪里以及他们应该如何表演。将它们视为一个保存的“导演设置”，确保来自同一脚本的每次生成听起来都像来自同一录音会话。

# 音频配置文件：Nova ## “晨间主持人” ## 场景：直播广播工作室 [一个温暖、诱人的工作室，伴随着柔和的晨光。 Nova 轻松、自信且引人入胜 — 她 像朋友一样直接与听众交谈。] ### 导演笔记 风格：温暖、对话式、略带轻快 节奏：中等 — 不匆忙，不缓慢 口音：美式英语，中性 基调：友好且平易近人，就像在 喝咖啡时与亲密朋友交谈

专家提示： 使用 Google Cloud TTS API (Vertex AI) 时，您还可以为每个语音指定 speaker。将其与多发言人对话模式结合使用，可在播客和采访中进行自动发言人区分。

Gemini TTS 支持内联标记标签 — 直接嵌入到脚本中的方括号注释，可修改特定短语的表达方式。这是实现细粒度控制的最强大功能。

Google Cloud 的研究表明，方括号标签以三种不同的模式运行：

标签被可听见的非语音发声替换。标签本身不会被读出。

根据标签的不同，同一句话可以有截然不同的表达方式：

标签改变随后文本的表达方式 — 语调、节奏、强调。

控制播报速度和重音的标签。

// 默认 — 无标签 嘿，你好，我是一个新的文本转语音模型。今天我能为你 提供什么帮助？ // 兴奋 [excitedly] 嘿，你好，我是一个新的文本转语音模型！ 今天我能为你提供什么帮助？ // 厌倦 [bored] 嘿，你好，我是一个新的文本转语音模型... 今天我能为你提供什么帮助？ // 讽刺并带停顿 [sighs] 嘿，你好... [pause] 我是一个新的文本转语音 模型。[pause] 今天我能为你提供什么帮助？ // 低语并带笑声 [whispers] 嘿，你好... [laughing] 我是一个新的文本转 语音模型。今天我能为你提供什么帮助？

系统提示词（也称为“风格提示词”）是保证整体一致性的最重要手段。它告诉模型谁在说话、他们在哪里，以及他们应该如何表达内容。