Google DeepMind 发布 Gemini 3.1 Flash TTS：通过细粒度音频标签实现表现力 AI 语音控制

核心要点

• 模型发布：Google DeepMind 正式发布了名为 Gemini 3.1 Flash TTS 的新一代音频模型。
• 核心功能：引入了细粒度音频标签（Granular Audio Tags），旨在提升语音生成的表现力。
• 控制精度：用户可以通过这些标签实现对 AI 语音方向的精确控制。
• 技术目标：致力于打造更具表现力和自然感的 AI 语音生成体验。

详细分析

细粒度控制技术的突破

Gemini 3.1 Flash TTS 的核心进步在于其引入的“细粒度音频标签”。在传统的文本转语音（TTS）系统中，用户往往难以对语音的情感起伏、语调重音进行微观层面的干预。DeepMind 通过这种新型标签系统，允许开发者和用户像导演一样，对 AI 生成的每一段音频进行精确引导，从而打破了以往 AI 语音机械、平淡的局限性。

表现力驱动的语音生成

该模型被定位为“下一代表现力 AI 语音”。这意味着 Gemini 3.1 Flash TTS 不仅仅追求语音的清晰度，更注重语音中蕴含的情感表达。通过赋予用户直接干预生成过程的能力，该模型能够产生更符合特定语境、更具感染力的音频内容，满足了从内容创作到人机交互等多种场景对高质量语音的需求。

行业影响

Gemini 3.1 Flash TTS 的发布预示着 AI 语音合成领域正从“可听”向“可感”转变。通过提供更精细的控制工具，DeepMind 正在降低高质量音频内容的制作门槛，同时也将推动智能助手、有声书及游戏配音等行业向更具拟人化和情感化的方向发展。这种对音频生成过程的精确掌控力，可能会成为未来 TTS 技术的新标准。

常见问题

问题 1：Gemini 3.1 Flash TTS 的主要特点是什么？

其主要特点是引入了细粒度音频标签，使用户能够精确控制和引导 AI 语音的生成过程，从而获得更具表现力的音频输出。

问题 2：用户如何控制 AI 语音的表现力？

用户可以通过模型提供的特定音频标签来直接干预语音生成的方向，实现对语气、语调等细节的微调。

问题 3：该模型由哪个团队开发？

该模型由 Google 旗下的 AI 研究实验室 DeepMind 开发并发布。