谷歌发布Gemini-TTS模型 支持近70种语言可控语音生成

2026年4月，谷歌在Gemini 3.1模型系列中正式推出全新文本转语音（TTS）模型Gemini-TTS，官方将其定位为“迄今最富表现力的文本转语音解决方案”。该模型支持通过自然语言提示词精细调节语音的情感、节奏与风格，覆盖近70种语言，可自动识别输入文本语种，无需开发者手动标注，为全球多语种语音服务开发降低了门槛。

长期以来，传统文本转语音技术都绕不开一个核心痛点：生成语音千篇一律，语气平淡、节奏僵硬，情绪表现力单薄，很难适配有声书、多角色对话、品牌配音等复杂场景。以往开发者想要调整语音风格，往往需要提前录制大量音色样本、单独训练定制模型，时间和资金成本都居高不下。

Gemini-TTS最核心的突破，就是把语音定制的控制权真正交给了开发者。不需要额外训练，只需要输入自然语言提示词，就能精确调控输出语音的各项特征：旁白需要低沉庄重，对话需要轻松自然，甚至具体到哪一句需要停顿、哪里要加强情绪，都可以通过文字描述实现，生成语音的自然度和细腻度相比前代产品提升明显。

除了表现力的升级，Gemini-TTS的多语言适配能力也切中了当下全球化业务的痛点。目前该模型已经覆盖近70种语言，中文普通话、英语、西班牙语、日语等全球主流语种全部在支持列表内。更省心的是，模型自带自动语种识别能力，开发者不需要给输入文本手动标注语种，就能直接生成对应语言的标准语音输出。