NiceKate AI：Gemini 3.1 Flash TTS 太能打了，價格、Demo、提示詞一次講清

開場閒聊

凱潔一開場就笑說：「去年我介紹了 Gemini 2.5 的 TTS，效果非常好。但今天 Gemini 3.1 Flash TTS 出來了，價格更便宜、功能更強。」

她提到目前可以在 Google AI Studio 等多個平台上使用這款新模型，並展示了一張 TTS 排行榜圖表——榜上最好的效果是 ElevenLabs TTS 1.5 Max，第二名就是 Gemini 3.1 Flash TTS，擠下了一票老牌語音引擎。

凱潔語氣中帶著興奮：「免費用戶一天最多可以調用十次，API 價格她估算了一下，生成 10 分鐘音頻大約只需 0.3 美元，如果採用批量生成甚至更便宜。」

懶人包速覽

核心痛點	解決方案 / 關鍵觀點
TTS 價格太貴，小團隊用不起	Gemini 3.1 Flash TTS 生成 10 分鐘音頻只要約 $0.3 美元，批量還能更省
多說話人對白需要複雜後期	原生支援雙角色對話，無需剪輯，用文字標籤即可切換角色
語音效果不夠自然	排行榜僅次於 ElevenLabs，支援 70+ 語言、30 種音色選項
提示詞不好掌握	官方提供完整示範標籤，AI Studio 可免費調試到完美再導出

凱潔這次全面介紹了 Gemini 3.1 Flash TTS 的功能、價格、提示詞寫法以及與 Hermes 的整合方式，看完可以直接上線使用。

Gemini 3.1 Flash TTS 的三大亮點

價格超親民

凱潔算了一筆帳：生成 10 分鐘的音頻，大約只需要 0.3 美元。如果採用批量模式，雖然速度會慢一點，但價格會更便宜。

看完她的完整評測，確實印證了 Gemini 3.1 Flash TTS 太能打了，價格便宜的結論。對比市面上主流的 TTS 服務——ElevenLabs TTS 1.5 Max 排名第一但價格不低——Gemini 3.1 Flash TTS 以不到十分之一的價格提供幾乎同等級的品質。而且免費用戶每天可以免費調用十次，足夠個人開發者或小團隊做原型驗證。

多說話人對白，原生支援

這一代 TTS 最大的亮點，是支援多說話人自然對話。

凱潔特別強調：「最多支援兩個角色，完全不需要複雜的後期處理。你只要在文本中用中括號標上角色標籤，Gemini 就會自動切換音色來扮演不同的人。」

她現場展示了六段 Demo 音頻，涵蓋了多種情境：

• 中文笑話：兩個角色一搭一唱，語氣自然不僵硬
• 恐怖片定律：模擬對話場景，節奏感好
• AI 吐槽大會：單人節目的綜藝感
• 警探審訊：戲劇性的雙人對話
• 詩意獨白：溫柔抒情的單人朗讀

其中她最推薦的是恐怖片那段——主角說「我出去看看」時，觀眾心想「別出去呀」，這種日常幽默感透過 TTS 傳達得相當到位。

音色控制靠提示詞

凱潔強調，Gemini 3.1 Flash TTS 支援自然語言控制，你不會看到傳統 TTS 那種參數複雜的介面，而是直接寫一段文字描述場景，模型就會自動理解你想要的語氣和氛圍。

官方推薦的提示詞模板包括：

• 場景描述（越生動越好）
• 角色設定（保持人設）
• 語言標籤（用英文中括號）

她特別提醒一個坑：「標籤建議用英文來寫，如果用中文標籤，模型可能會把標籤本身也讀出來。」

提示詞實戰：六段音頻的寫法拆解

第一段：中文笑話（最基礎的雙人對話）

凱潔示範的最簡單用法——直接把笑話文本傳給 TTS，讓它用自然的中文對話表演。不過她坦白說自己一開始標籤用錯了，沒有按照官方的規範走。

第二段：恐怖片定律（標準標籤用法）

這一段就比較規範了。凱潔用標準的中括號標籤來控制角色切換，效果明顯比第一段更好。

第三段：AI 吐槽大會（單人節目風格）

這是最有趣的一段——模擬 AI 主持人吐槽人類的奇怪問題：「有人問我會愛上人類嗎？大哥，我連心跳都沒有，怎麼談戀愛？還有人問我能預測彩票號碼嗎？我要是能預測，我早就在夏威夷曬太陽了。」

第四到六段：警探審訊、詩意獨白、溫情結語

後三段展示了 TTS 的戲劇性潛力。警探審訊的緊張感、詩意獨白的溫柔、結尾的溫情收束——全部在同一個模型裡完成，不需要更換引擎。

凱潔總結了最佳做法：「更好的方式是直接將 Gemini 官方文檔發給你的 AI Agent，讓它幫你挑選音色再去生成。一個完整的提示詞應該包括場景描述、角色設定、語言選擇和語氣說明。」

與 Hermes Agent 整合實戰

凱潔最後展示了如何透過 Hermes Agent 來使用 Gemini 3.1 Flash TTS，從基礎應用到進階技巧提示詞一次講清：

1. 將 Google 官方博文發給 Hermes，讓它生成概覽頁面
2. 詢問「原生多說話人對白是怎麼實現的」，Hermes 自動打開瀏覽器查閱文檔並解答
3. 問 TTS 是否支援語音克隆——Hermes 搜尋後回答「不支援」，並推薦 Google 另外兩個獨立產品
4. 將排行榜截圖發給 Hermes，請它辨識第一名公司——答案是 ElevenLabs
5. 最後讓 Hermes 直接調用 Gemini 3.1 Flash TTS 生成一段示範音頻（有趣的中文笑話、兩個角色），20 秒的音頻順利生成
6. Hermes 還自動建立了 Gemini TTS 的 skill，方便下次直接使用

凱潔對這個整合非常滿意：「Hermes 調用 TTS 的一系列操作非常流暢，而且還幫我把流程存成 skill，下次用的時候就不用從頭來了。」

QA 精選

Q1：Gemini 3.1 Flash TTS 跟 ElevenLabs TTS 1.5 Max 比，差在哪裡？

根據凱潔展示的排行榜，ElevenLabs TTS 1.5 Max 仍是品質最高的選項，但 Gemini 3.1 Flash TTS 緊追在後，排名第二。主要差異在於價格——ElevenLabs 的收費較高，而 Gemini 的 API 價格僅約 $0.3 美元/10 分鐘音頻，而且免費用戶每天有 10 次免費調用額度。對於預算有限的小團隊或個人開發者來說，Gemini 的 CP 值明顯更高。

Q2：多說話人對白要怎麼設定？需要後期剪輯嗎？

完全不需要後期剪輯。Gemini 3.1 Flash TTS 原生支援最多兩個角色的自然對話，只要在文本中用中括號標註角色標籤，模型就會自動切換對應的音色。凱潔示範的六段音頻中，從雙人笑話到警探審訊場景都是純文字控制，完全不需要音頻剪輯軟體。

但要注意一個關鍵細節：標籤建議用英文撰寫。如果用中文標籤，模型有時會把標籤文字也朗讀出來，破壞聆聽體驗。

Q3：支援哪些語言？中文效果如何？

Gemini 3.1 Flash TTS 支援 70 多種語言，全球化做得非常好。中文效果從凱潔的 Demo 來看相當自然，無論是日常對話、搞笑段子還是詩意朗讀，語氣轉換都很流暢。凱潔也特別提醒，如果需要生成中文內容，描述場景時用中文寫，但標籤建議維持英文。

Q4：語音克隆支援嗎？可以上傳自己的音色嗎？

不支援。凱潔特別問了 Hermes 這個問題，得到的答案是目前 Gemini 3.1 Flash TTS 不提供語音克隆功能，也不支援上傳自訂音色。如果需要這些功能，Google 有另外兩個獨立的產品可以滿足。目前 Gemini TTS 提供了 30 種語音選項，足夠大部分應用場景使用。

主編隨筆

凱潔這集的內容對技術開發者來說相當實用，因為她不只是介紹功能，而是完整示範了從提示詞設計到實際整合的全流程。

不過我觀察到一個值得補充的面向：Gemini 3.1 Flash TTS 的多說話人對白功能雖然很強，但在實際產品應用中，純文字標籤控制有一個容易被忽略的限制——你無法精細控制每個角色的「說話速度」和「情緒強度」。例如警探審訊場景中，語氣從平穩到激動的過渡，目前只能透過提示詞中的場景描述來間接影響，無法像 ElevenLabs 那樣提供細粒度的參數微調。

對於需要高度情緒變化的場景（有聲書、廣播劇），建議先用 Gemini 生成基礎音軌，再搭配專業音頻軟體做後製微調。而對於常見的應用場景——有聲文章、語音助手、客服語音——Gemini 的效果已經非常夠用，而且價格優勢明顯。

另外，凱潔展示的 Hermes 整合很聰明。把 TTS 流程封裝成 skill 的做法，讓日後重複調用變得極度方便，這是很多人忽略了的工作流優化。

結語

Gemini 3.1 Flash TTS 在品質與價格之間找到了非常好的平衡點。對於預算有限但需要高品質語音生成的團隊來說，它是最值得關注的新選項。凱潔在影片中完整覆蓋了從基本功能到進階整合的全部流程，無論是新手還是老手都能從中獲得實用資訊。

如果你正在選型 TTS 方案，建議先在 Google AI Studio 免費試用 Gemini 3.1 Flash TTS，確認效果符合需求後再導入 API。對於多說話人場景和一鍵整合，這款模型是目前 CP 值最高的選擇。