Google刚更新的Gemini 3.1 Flash TTS，核心变化是加了细粒度音频标签——这是它和之前版本最不一样的地方。
它能解决AI语音的老毛病吗？
之前大家用AI配音，总逃不开几个问题：要么音色平得像读稿，要加情绪就得整段调，结果整个语境都变了；要么想让某句台词的重音突出，只能把整个音频推倒重生成，费时间还费算力。之前的TTS模型，给的都是笼统的“开心”“悲伤”标签，没法精准抠某一个词的发音细节。这次的新标签，是把控制权限下放到了语音的具体单元——比如某个音节的音调、某段话的语速、甚至一个词的尾音颤度。比如你写一句“终于赶上了”，给“终于”标上“重音”，“赶上了”标上“松口气的颤音”，生成的语音就不会像之前那样生硬地把重音砸在每个词上，至少听起来不像机器人在读稿子了。
这个标签到底牛在哪？
说白了，是控制颗粒度变细了。之前的模型是“凭感觉”生成，你给情绪指令，它自己琢磨；现在是“按要求”生成，你给具体到某段音节的指令，它按你说的来。举个例子，播客主播要做一期怀旧主题的音频，需要某句台词带点“怀念的软感”，之前可能得录好几遍自己调整，或者花高价找配音员；现在直接给模型标“这句每个字的音调都降一点，尾音拖0.2秒”，生成的效果大概率能直接用。而且，这种调整不是改整个音频，是精准定位到你指定的部分，生成效率高，算力消耗也小——毕竟不用重新跑全段模型，省下来的时间和成本，对小团队来说很实在。
谁会最先用到这个功能？
对内容创作者来说，这是个门槛降低的信号。不管是做短视频配音、有声书，还是播客，之前AI语音只能凑合用，要做精品还得找真人。现在有了细粒度标签，AI生成的语音能更贴合创作者的精准要求，不用再在“凑活的AI”和“高价的真人”之间二选一。另外，AI助手也会受益——比如智能客服，之前不管说啥都是一个语气，现在能根据对话的情绪调整，比如用户说“问题解决了”，回复的“好的”就能带点轻松的语气，不会再像机器人那样冰冷。游戏配音也一样，角色的台词能更有层次，不会全是一个调调，玩家听着也更代入。
当然，细粒度标签会不会让AI语音变得过度“刻意”？比如会不会有人为了追求表现力，把每个词的情绪都标满，结果反而像在演话剧？毕竟，自然的语音里，大部分细节是随机的，不是刻意控制的。现在Gemini这个工具是给了精准控制的权限，但用得好不好，还是看使用者会不会拿捏那个度。
素材来源：Google DeepMind Blog · AI情报、大模型
查看报道原文
发表第一条评论吧