← 返回 Blog
UseAIAPIAI API2min

从 3.1 Flash TTS 的自然语言提示，到 App 端四项滑杆：Gemini 语音这条路走通了吗

时隔三个月，7 月 16 日，9to5Google 在谷歌 App 17.41.12 Beta 的 APK 里挖出另一组代码——四项参数标签：语速、活力感、正式度、亲和度，顶部标着「自定义音色」。 两百多种专业标签，最终被压成四根滑块。从开发者的 API 接口，下沉到普通用户的可视化面板——Gemini 语音自定义这条路，已经铺了两段。但这段演进，远不止"功能下放"四个字。

GeminiGemini 语音

Gemini 语音的"手术刀"与"旋钮"：从两百种标签到四根滑块

2026 年 4 月 16 日，谷歌云官方博客更新，Gemini 3.1 Flash 语音合成（TTS）上线。

这套模型给开发者递了一把"精密手术刀"：内置 200 余种音频标签，可以把"低语""喜悦""悲伤"这类自然语言指令直接嵌进文本，逐句控语调、节奏、情绪。同期它在 Artificial Analysis 语音合成榜跑到 1211 Elo，被划入"音质与性价比均衡"的最优象限。

时隔三个月，7 月 16 日，9to5Google 在谷歌 App 17.41.12 Beta 的 APK 里挖出另一组代码——四项参数标签：语速、活力感、正式度、亲和度，顶部标着「自定义音色」。

两百多种专业标签，最终被压成四根滑块。从开发者的 API 接口，下沉到普通用户的可视化面板——Gemini 语音自定义这条路，已经铺了两段。但这段演进，远不止"功能下放"四个字。

Gemini 3.1 Flash TTS：递给开发者的那把手术刀

Flash TTS 的调控逻辑很直白——方括号里的标签，可以插在文本任意位置。

想营造紧张感，可以这么写：

阴影缓缓逼近……[低语]这份秘密文件……[短暂停顿]可它在哪里？[倒吸一口气]突然间……

一句话里可以同时挂语速、情绪、停顿三种标签。开发者能搭完整故事场景，给不同角色分配专属音色，借"导演指令"自由切换语速和口音。

这套能力面向要做高端 AI 语音应用的企业和开发者——70 多种语言、双人对话场景、对话双方独立配声线和表达风格。它强、它准，但得专业的人才会用。

随之而来的问题是：普通用户怎么碰这把刀？

App 端四滑块：把手术刀压成旋钮

APK 里露出的这套，思路完全换了一档。

Android Authority 给现阶段 Gemini 语音下过一个判词——"非此即彼"模式：从"奥比特""飞马""大熊座"里挑一款，全盘接受它所有特质；不满意，换一款，继续将就。

四根滑块想改的就是这个：

  • 🎚️ 语速：慢 / 标准 / 快，管每分钟吐词量；

  • 🎚️ 活力感：低 / 中 / 高，管情绪张力，独立于速率可调；

  • 🎚️ 正式度：低 / 中 / 高，管距离感——聊出行调低，读研报调高；

  • 🎚️ 亲和度：低 / 中 / 高，管温度，分"带笑意"和"纯客观"两种走向。

Android Authority 特意点了那处关键设计：语速和活力拆成两根独立滑块。前者管"每分钟吐多少词"，后者管"脱离速率的情绪表现力"——AI 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）。俩绑同一根滑块，这些中间态全没了。

更重要的一点：这套设置同时适配 Gemini Live 实时对话 + 普通聊天，一次调，全局永久生效。

两条路径，同一个终点

把 3.1 Flash TTS 的 200+ 标签，和 App 端四滑块放一起看，谷歌的算盘就清楚了：

3.1 Flash TTS 解决"开发者能不能精细控"——拉技术上限；

移动端滑块解决"普通用户方不方便控"——做大众入口。

200+ 标签、70+ 语种、双人对话、导演指令，是先把手艺做到极致，验证方案可行；四维度、三档位、可视化滑块，是把底层手艺压成普通人不用学就能拧的旋钮。

"技术能做"和"用户愿用"之间，差的那层叫抽象封装。

对照一下苹果：iOS 27 给 Siri 加了两滑块——语速（Pace）和表现力（Expressivity）。谷歌直接铺到四项，其中"活力感""亲和度"踩在情绪表达上。苹果把音色自定义同步到地图、浏览器；谷歌选的是纵向深挖语音人格的塑造深度。

不分优劣，是两家对"AI 助手怎么被调控"给的不同答案：苹果铺广度，谷歌挖深度。

这条路能不能走通

从 3.1 Flash TTS 到 App 四滑块，Gemini 语音自定义的"底层技术"这一段已经验过了——

  • 3.1 Flash TTS 证的是"靠指令标签控风格"可行，200+ 标签不是摆设；

  • App 滑块证的是"复杂调控能压成大众能懂的维度"，从嵌方括号到拖滑块，中间那道产品抽象是关键。

Android Authority 拆 APK 时提了一句：滑块界面已经调得出来，但还没接后端，调了暂时不生效——离正式上线还有一段，但产品方向已经钉了。

三个多月前，开发者面对的是 200+ 标签和长篇 API 文档；三个多月后，普通用户眼前会是四根滑块和一个"自定义音色"面板。

瓶颈早不在技术——3.1 Flash TTS 那关已经过了。剩下的就看谷歌愿不愿意把"捏专属声线"这件事，从开发者工具包，真正交到每个普通用户手上。从 APK 这几段代码看，答案是倾向于"给"的。

语音往"可调"走，模型侧也得跟上

四滑块这事看着轻巧，背后对模型侧的要求其实悄悄抬了——Gemini Live 实时对话一开，语音流是持续走的；再叠 /goal /loop /schedule 这类循环范式（前几篇聊过 Claude Code 那套），多模态 + 多轮 + 常驻调用，token 是细水长流地烧，不是脉冲式。单模型绑死全链路既不灵活也不划算。

现在不少团队的实际配法是分层切：Gemini 主力扛语音和多模态、Claude 写循环逻辑、ChatGPT 兜底通用、DeepSeek 补性价比——不同环节塞不同模型，账才好看。

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 + 多模态"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。