← 返回 Blog
UseAIAPIAI API2min

Gemini 给语音加了个"活力"滑块：快 ≠ 亢奋，谷歌这次把维度拆得很细

2026 年 7 月 16 日，9to5Google 在谷歌 App 17.41.12 Beta 的 APK 里挖出一组代码字段，包含四项参数标签——语速、活力感、正式度、亲和度，界面顶部还挂着标题：「自定义音色」。 Gemini 语音助手，可能要上滑块调节了。不是调音量的那种控件，而是调语音性格的旋钮。

Gemini谷歌 Gemini 语音四滑块曝光

谷歌 Gemini 语音四滑块曝光：AI 助手的声音，要从"挑"变成"捏"

2026 年 7 月 16 日，9to5Google 在谷歌 App 17.41.12 Beta 的 APK 里挖出一组代码字段，包含四项参数标签——语速、活力感、正式度、亲和度，界面顶部还挂着标题：「自定义音色」。

Gemini 语音助手，可能要上滑块调节了。不是调音量的那种控件，而是调语音性格的旋钮。

四根滑块，四个维度

🎚️ 语速：慢速 / 标准 / 快速，最直观的一档。嫌 AI 催？调慢；嫌拖沓？调快。

🎚️ 活力感：低 / 中 / 高，管情绪张力。拉满像激情播客主；调低像刚醒的图书管理员，语调平、不抢戏。

🎚️ 正式度：低 / 中 / 高，管距离感。周末聊出行，调低，像朋友闲扯；让 Gemini 解研报，调高，像一丝不苟的专职助理。

🎚️ 亲和度：低 / 中 / 高，管温度。偏高时话音像带笑意；偏低时只递信息，不带情绪。

值得盯一眼的细节：语速和活力是解耦的。可以语速快但情绪平（高速+低活力），也可以语速缓但感染力强（低速+高活力），两维自由搭，能拼出风格完全不同的"语音人格"——

  • 高速+高活力：激情播客主，适合新闻推送

  • 高速+低活力：疲惫但规范的客服，适合官方通知

  • 低速+高活力：温和有引导力的导师，适配教学

  • 低速+低活力：深夜电台声线，适合睡前陪伴

如果语速和活力绑在同一根滑块上，这些中间态全都没了——用户只能二选一：要么快而亢奋，要么慢而柔和，"快但平""慢但热"这类细腻组合直接消失。

💡 语音人设的丰富度，取决于滑块之间相互独立的程度。

更重要的一点：这套参数同时适配 Gemini Live 实时对话和普通聊天场景，一次设置，全局生效。

从"挑音色"到"捏音色"

技术难度倒不算大。2026 年 4 月，Gemini 3.1 Flash TTS 就已经支持用音频标签控语速、风格、口音，谷歌甚至还推过"导演级控制"，允许文本指令调语音风格与节奏。

真正值得说的，是交互范式在转。

过去，语音个性化是开发者的事：写代码、调接口、嵌标签。现在谷歌想把这套能力压成四根滑块，直接放进设置菜单，交给普通用户。

Android Authority 给现阶段 Gemini 语音下过一个判词："非此即彼"——"奥比特""飞马""大熊座"，挑一款，将就；不满意，换一款，继续将就。

四根滑块上线后，用户不再"挑现成的"，而是亲手捏出那版刚好适合自己的声线。

苹果也在做，但谷歌拆得更细

苹果 iOS 27 的 Siri 加了同类自定义——语速（Pace）和表现力（Expressivity）两根滑块。但谷歌一口气铺了四项，其中"活力感""亲和度"直接踩在情感表达上。

葡萄牙科技媒体 TugaTech 的判断和 Android Authority 一致：语速管的是"每分钟吐词量"，活力感是独立于速率的"情绪强度"——两个维度在物理特征和人的感知上本来正交，没理由绑一起。

这背后是一个行业判断：AI 语音的下一赛段，比的不再是"谁吐字更清"，而是"谁说话更像个真人"。

口齿清晰是技术题；听得舒服，是体验题。而细腻的体验，是拖滑块一点点磨出来的。

业内普遍认为，语音助手接下来拼的不只是理解力，更是交互中的情绪适配力。滑块调得越细，AI 助手越能弱掉那股"机器感"，往自然人机交流靠。

滑块背后，是谷歌对"下一代表达"的回答

四根滑块，其实都在答同一个问题：你希望 AI 用什么样的语气跟你说话？

  • 语速，管节奏；

  • 活力感，管张力；

  • 正式度，管距离；

  • 亲和度，管温度。

你调的不只是音色，是人和 AI 之间的相处氛围。

跟朋友闲扯、向主管汇报，不可能同一种语气；跟小孩说、跟同事聊，腔调也不一样。人天生会按场景切说话方式，但过去的 AI 给不了这种弹性——所有人听到的，都是同一副腔调。

现在谷歌想把"切风格"的开关，交回用户手里。

不用多层菜单，不用调接口——四根滑块，够了。

轻轻一拖，语气挪一点；再拖一下，味道又变一点。直到调出那一版"刚好是你想要的"声音。

拆 APK 从来不只是读代码，是读一家公司对下一代交互的判断。

而谷歌这次给的答案：未来的 AI 声音，不该是挑来的，是该自己捏的。

语音往"可调"走，模型侧也得往"可切换"走

滑块解耦这件事，和产品侧另一个趋势是对得上的——Agent 循环范式起来之后，模型也不再是"绑死一个"的玩法。Gemini Live 实时语音走多模态、Claude Code 写 /goal /loop 循环逻辑、ChatGPT 兜底通用、DeepSeek 补性价比，不同环节塞不同模型，是现在很多团队的实操。

尤其是语音 + 循环叠加的场景：Gemini Live 常开、再挂 /schedule 云端值守，token 和请求量是细水长流地烧，单模型扛全链路既不灵活也不划算。

像 UseAIAPI​ 这类把 Gemini、Claude、ChatGPT、DeepSeek 等最新主流模型聚在一起的接入服务，近期在开发者圈提得越来越多：省掉逐个签约、逐个适配的麻烦；企业侧可以按自身产品节奏做定制封装，语音助手、Agent 循环、多模态应用都能直接嵌；价格层面，官方定价 5 折起，对"实时对话 + 循环常开"这类细水长流烧 token 的场景，预算比较好控。

谷歌把"语速 / 活力"解耦成两根滑块，是想让用户捏出专属声线；模型接入这头，把"Gemini / Claude / ChatGPT / DeepSeek"解耦成可切换的池子，是想让团队调出专属的模型组合——两边的逻辑，其实是同一套。