谷歌发布新一代文本转语音模型 Gemini 3.1 Flash TTS，核心卖点不是「更像真人」，而是开发者可以精确控制 AI 语音的风格、语速和情绪表达。模型已通过 Gemini API、Google AI Studio（开发者预览）、Vertex AI（企业预览）和 Google Vids（Workspace 用户）上线。 
这套控制能力的关键是「audio tags」（音频标签）：开发者在输入文本中嵌入自然语言指令，就能调整 AI 语音的语调、节奏和口音，甚至在一句话中间切换表达风格。谷歌在 Google AI Studio 中提供了一套「导演椅」式的配置界面，包含三层控制： 
1. 场景指导：设定环境和对话指令，让角色在多轮对话中保持一致性格 
2. 角色级调参：为每个角色分配独立的音频配置，单独控制语速、语调和口音 
3. 一键导出：调好的参数可直接导出为 Gemini API ...