Google 推出更具表现力的 Gemini 3.1 Flash TTS，支持 70 多种语言

Google 押注更自然的语音输出

Google 正在推出基于 Gemini 3.1 Flash 的新文本转语音模型，并称这是目前自家最自然、表现力最强的一代语音输出。它的一个核心更新是音频标签，也就是开发者可以用简单文本命令去控制语音的风格、节奏、语气和口音。

The Decoder 还提到，这个模型支持 70 多种语言，并且可以生成多说话人对话。

强调质量与价格的平衡

按照 Artificial Analysis 的排名，这个模型的 Elo 评分达到 1211，并被报道为在质量与价格之间表现突出。文章称，它在整体质量上超过 ElevenLabs v3，仅次于 Inworld 1.5 Max。

定价方面，Gemini 3.1 Flash TTS 提供免费层，但 Google 会利用相关数据改进产品；付费层的文本输入价格为每百万 tokens 1.00 美元，音频输出为每百万 tokens 20.00 美元，batch 模式则降至 0.50 美元和 10.00 美元。

预览版已接入多条 Google 产品线

Google 表示，Gemini 3.1 Flash TTS 已以预览版形式登陆 Gemini API，也会提供给 Vertex AI 企业用户和 Google Vids 的 Workspace 用户。任何人都可以在 Google AI Studio 中免费试用。

所有生成音频都会打上 Google 的 SynthID 水印，以标记这是一段 AI 生成内容。