Google 于 15 日推出 Gemini 3.1 Flash TTS，并同步接入 Gemini API、Google AI Studio、Vertex AI 与 Google Vids。新模型支持 70 多种语言，还新增“音频标签（Audio Tags）”功能，允许开发者直接用自��语言指令控制 AI 配音的节奏、语气和口音。
排行榜成绩指向高质量与低成本
按照 Google 引用的第三方数据，Gemini 3.1 Flash TTS 在 Artificial Analysis TTS 排行榜中拿到 Elo 1,211。该榜单基于数千笔盲测人类偏好数据，Google 将这一成绩解读为模型同时具备较高的语音生成质量与成本优势。除了多语言覆盖，这一版本也原生支持多说话者对话场景。
音频标签把语音控制拆得更细
这次更新的核心在于音频标签。Google 将这套能力分成几个层次：先由开发者设定场景背景和对话指令，让不同角色在多轮对话里维持统一语境；再通过 Audio Profiles 定义角色声线，配合 Director’s Notes 调整节奏、语气和口音；如果需要在句中临时切换表达方式，还可以使用 Inline Tags 完成更细粒度的控制。
Google 提到，在参数确认后，相关设置还能直接导出为 Gemini API 代码，方便在不同项目和平台之间复用同一套声音风格。StyleUAI、HeyGen、Invideo AI、Sierra 等参与早期测试的企业给出了正面反馈，认为这套机制可以把普通文本转成更有情绪层次的语音表达。
所有生成音频默认加入 SynthID 水印
Gemini 3.1 Flash TTS 生成的全部音频都内置 SynthID 水印。这类标记会嵌入音频波形中，通常难以被察觉，但系统可以可靠检测。Google 将其用于识别 AI 生成内容，并作为内容溯源机制的一部分，以降低错误信息传播风险。
在产品开放范围上，开发者目前可通过 Gemini API 和 Google AI Studio 体验，企业用户可经由 Vertex AI 调用，Google Workspace 和个人账号用户则可在 Google Vids 中直接使用。Google 同时表示，Google Vids 还新增了 16 种支持语言。