大家好，我是 Kate。

Gemini 新推出的 TTS 模型在音质、情绪表达和可控性方面都远超预期。它最核心的特点可以用一句话概括：不仅知道说什么，而且知道如何说。

无论是儿童故事的温馨细腻、悬疑剧情的紧张压抑，还是电竞解说的激情澎湃，Gemini 2.5 TTS 都能游刃有余地驾驭。本文将系统介绍它的效果、特点和实际玩法。

一、先听效果：几个风格迥异的音频示例

示例一：儿童睡前故事（温柔风格）

效果评价：语调温柔、节奏舒缓，带有近距离耳语感。在停顿、轻重、音色上的处理都非常自然，几乎可以直接作为成品音频使用。

示例二：32 年老刑警的悬疑独白

效果评价：成功营造出广播剧式的悬疑氛围。语速偏慢、情绪压抑，关键句子带有停顿和气声，能稳定地呈现"克制的恐怖感"，而不是简单地大吼大叫。

示例三：深夜食堂的烟火气独白

效果评价：语速适中、略带笑意、偶尔拉长尾音，听着有一种"回家了"的温暖感。

示例四：电竞解说（情绪递进爆发）

效果评价：完美呈现"前期紧张克制 → 中段语速加快 → 团战情绪爆发 → 最后略带沙哑的兴奋感"的节奏曲线，非常接近真人解说。

二、Gemini 2.5 TTS 核心特点

模型版本

Gemini 2.5 TTS 分为 Flash 和 Pro 两个版本，核心能力包括：

语言支持

官方列出的 24 种支持语言中虽然没有明确标注中文，但实际体验下来，对中文（普通话）的支持相当出色，包括口语化表达都能说得很自然。

与传统 TTS 的核心区别

传统 TTS 的工作方式是"选一个音色 + 输入文本"就完事了。而 Gemini 原生 TTS 背后是大型语言模型，它能根据你给的提示去理解该怎么说，包括：

• 情绪曲线的控制
• 气息变化的处理
• 停顿和重音的把握
• 整体氛围的营造

三、提示词构建方法

要让 Gemini TTS 发挥最佳效果，提示词的构建至关重要。

一个完整的 TTS 提示词示例：

情绪标注技巧

在转录文本中可以使用括号来标注情绪，例如：

• （轻声微笑）
• （语速放慢）
• （停顿两秒）

Gemini 会自动识别这些括号内容（不会朗读出来），并据此调整语音的情感表达。虽然不能百分百匹配，但整体质量已经相当不错。

小技巧

不需要特别记忆提示词格式，Gemini 官方文档里都有详细说明。你可以直接复制官方示例，然后发给其他大模型（比如 Claude），让它帮你生成适合特定场景的提示词。

https://ai.google.dev/gemini-api/docs/speech-generation?hl=zh-cn

四、AI Studio 使用指南

基本流程

1. 进入 ai.dev 首页
2. 选择 Audio 能力
3. 选择 Gemini 2.5 Pro TTS 模型

界面说明

进入页面后会看到：

• 风格指示区域：描述整段音频的整体气质
• Speaker 1 / Speaker 2：两个说话人选项，支持多人对话场景
• 可从多人模式切换到单人模式

预制应用

AI Studio 提供了非常实用的预制应用 synergy_intro

https://aistudio.google.com/app/apps/bundled/synergy_intro

• 左侧可选择不同的音频类型（Podcast、电台、电影预告、睡前故事等）
• 点击即可查看对应的系统提示词

• 右侧显示支持的语言列表（包括普通话）
• 每个示例旁边都标注了推荐的音色和性别信息

双人对话示例(ai.dev)

通过不同说话人的设置，可以把两种完全不同的年龄感和语气分开建模。

五、推荐音色速查表

💡 提示：官方预制应用已经帮你做了一轮"声音筛选"和场景匹配，直接点选就能试听，非常方便。

七、总结

Gemini 2.5 TTS 真正厉害的地方在于：在同样一段文字下，它能根据你写的音频档案、场景和导演笔记，给出风格差异巨大但都很自然的声音表现。

如果你愿意多花一点时间打磨提示词，把角色、氛围和情绪节奏都描述清楚，Gemini 2.5 TTS 完全有潜力成为一个能够长期复用的"虚拟配音演员"。