Gemini 3.1 Flash TTS 擅长什么——又不擅长什么

Gemini 3.1 Flash TTS 是 Google 的富有表现力的文生语音模型,基于 Gemini 语音血统。它的两个标志性强项是 30 个命名音色——Kore、Puck、Zephyr、Achernar 等,覆盖各种音调和角色——以及一个独立的风格指令字段,让你指挥表演。同一段脚本可以按指令读出活泼、平静或戏剧化,这比只挑音色给更细的控制。

计价按每 1000 字符,所以成本随脚本长度线性扩展——从短配音到完整旁白都可预测。它天然适合数字人工作:在这里生成语音,再用它驱动 Kling Avatar V2 这类模型。

它在 ZOOOP 语音模型里的位置:Multilingual V3 是 ElevenLabs 旗舰,音色控制更深;Qwen3-TTS 和 Inworld TTS 在多语种覆盖和性价比上领先。Gemini 3.1 Flash TTS 的甜点区是用 Google 音色做富有表现力、风格可控的旁白。

一个合理的心理模型:想要带明确风格控制的富表现力旁白时,默认选 Gemini 3.1 Flash TTS,要 ElevenLabs 音色库就换 Multilingual V3,要广泛多语种覆盖就 Inworld / Qwen。