苏米注：Gemini 3.1 Flash TTS 发布后，我花了 3 小时深度测试，发现了 3 个官方没说清楚的坑和 2 个实用神技。今天这篇文章帮你避开这些坑，同时充分利用它的强大功能。
一、坑①：中文发音偶尔翻车，专业术语直接"翻译腔"
第一个坑，也是最容易翻车的：中文发音稳定性不如英语。
Gemini 3.1 Flash TTS 支持 70+ 种语言，中文普通话在列，而且模型能自动识别输入文本的语种，无需开发者手动标注。但实际用起来，普通对话没问题，一旦遇到专业术语、生僻词、多音字，翻车概率明显上升。
实测案例：
- 读"本项目采用微服务架构，通过 API 网关进行统一路由"，读到"API 网关"时，突然切换成"标准播音腔"，把"网关"读得一字一顿
- "容器编排"读成"容器——编排"，中间莫名其妙顿了一下
- "分布式事务"读对了，但语调突然拔高，跟前面的沉稳旁白完全不在一个频道
- "DAU"直接读成"大——唔"，"LTV"读成"了——TV"
苏米注：为什么会这样？Gemini TTS 的训练数据以通用语料为主，专业术语、行业黑话的训练量不足。英语里的缩略词（如 API、KPI、SLA）它读得溜，因为训练数据多。换成中文缩略词或专业术语，它就开始"猜"。
解决方案：
- 专业术语加拼音注释：比如"API（A-P-I）网关"，虽然麻烦，但效果立竿见影
- 拆词替换：把"DAU"换成"日活跃用户数"，把"LTV"换成"用户生命周期价值"
- 重要内容人工复核：如果音频要对外发布，建议人工听一遍，尤其是专业术语部分
二、坑②：成本没算清楚，钱包可能被"偷"
第二个坑，是成本。不是贵，是很多人没算明白。
官方定价：
- 文本输入：每百万 Token 1 美元
- 音频输出：每百万 Token 20 美元
- 批量模式价格减半
成本测算：
- 3 分钟播客脚本，约 450 个汉字（约 600-700 Token）
- 输入成本：600 Token × $1/百万 ≈ $0.0006（忽略不计）
- 输出成本：输出 Token 数 = 音频时长（秒）× 24，3 分钟（180 秒）约 4320 Token，4320 × $20/百万 ≈ $0.0864
苏米注：3 分钟音频不到 9 美分，看起来确实不贵。但如果你有 100 集播客（每集 30 分钟），成本就不是小数目了：每集约$0.864，100 集约$86.4（批量模式约$43.2）。
更隐蔽的是"测试成本"：很多人反复生成、反复调试提示词，每一个测试版本都在烧钱。调试 10 个版本，成本翻 10 倍，钱花在"试错"上，而不是"产出"上。
省钱技巧：
- 先用免费层测试：免费层有额度，用来调试提示词、找感觉，等调满意了再切付费
- 批量模式：如果音频量较大，强烈建议用批量模式，价格直接腰斩
- 控制单次生成长度：官方限制单次生成音频时长上限约 11 分钟，如果想生成更长的内容，需要拆分成多个短片段
- 缓存机制：Google 提供缓存计费模式（缓存输入每百万 Token $0.50，缓存输出每百万 Token $10.00），如果频繁调用相同或相似的输入文本，用缓存能省下一半的成本
三、坑③：长文本处理有"隐形天花板"
第三个坑，是长文本处理的稳定性问题。
官方限制单次生成音频时长上限约 11 分钟，超过需拆分。但即便在限制以内，测试一段约 8000 字符的播客脚本，生成过程中出现了一次"意外中断"——音频在 3 分钟处戛然而止，没有任何错误提示。
更麻烦的是长对话的"角色串线"。在一个 20 分钟的播客脚本里，设置了两个角色，Gemini 能正常生成，但到了后半段，两个角色的声线偶尔会"串线"——甲方突然用了乙方的声音，乙方又变得像甲方。
解决方案：
- 主动拆分：把长文档按章节或逻辑段落拆成多个短片段，分别生成后再拼接。用音频编辑软件（如 Audacity）无缝拼接即可
- 分段生成后统一风格：确保每个片段的语音风格、角色设定保持一致，避免拼接后听起来割裂
- 测试阈值：建议先小批量测试，摸清自己账号的稳定输出上限
四、神技①：用 Audio Tags"导演"声音
Gemini 3.1 Flash TTS 最强大的能力，是 Audio Tags（音频标签）。你可以在文本中直接嵌入自然语言指令，精确控制语音风格、语速和表达方式。
实测案例：广播剧脚本
[scene:深夜便利店，安静，略带悬疑]
[voice:收银员，疲惫，慢吞吞]
"欢迎光临……"
[doorbell rings，急促脚步声]
[voice:顾客，紧张，压低声音]
"有没有……有没有创可贴？"
[voice:收银员，被吓到，声音发抖]
"在……在第二排货架上。"10 秒后，音频出来了。收银员的拖腔、顾客的颤抖、收银员被吓到后的磕巴，全"演"出来了。
苏米注：Google 官方称支持 200 多种音频标签，控制情绪、节奏、重音等维度。而且没有标签数量限制，你可以发挥创意。
常用标签：[whispers]、[excitedly]、[sarcastically]、[laughs]、[cough]、[sighs]、[gasp]
进阶技巧：多角色对话时，你可以给每个角色分配独立的"音频档案"——分别设定语速、语气、甚至口音，确保声线不串场。这项功能叫"说话人级别的精细控制"，是本次发布的核心能力之一。
五、神技②：场景方向（Scene Direction），让 AI"入戏"
如果说 Audio Tags 是"逐句控制"，那场景方向（Scene Direction）就是"全局定调"。
你可以在生成前给整段录音设定一个环境背景和情绪基调。比如加上"深夜、便利店、安静、略带悬疑"，AI 在多轮对话里都会保持"入戏"状态，不会说着说着就跑偏。
实测对比：生成两段对话，第一段加了场景方向"紧张、急促"，第二段不加任何场景描述。第一段的语速明显更快、停顿更少、情绪更紧绷，第二段就是标准的"播音腔"。
苏米注：这项能力对有声读物、播客、游戏配音等场景特别实用。你想让它读出"悬疑感"，不用堆砌形容词，告诉它"场景：废弃医院，深夜，风声，主角独自一人"，AI 自己就会调整语气。
六、总结与建议
玩 AI 工具，不能只看"上限"，也要摸清"下限"。
Gemini 3.1 Flash TTS 的"上限"很高：Audio Tags、场景方向、多说话人控制，让 AI 配音从一个"工具"进化成了"演员"。
但"下限"也需要你自己兜住：中文专业术语发音不稳、长文本可能"串线"、成本要精打细算……这些官方文档不会主动告诉你的"坑"，只能靠实测来填。
最佳实践：
- 先用免费层小批量测试，摸清模型的脾气
- 测试发音稳定性、长文本输出上限、声线会不会"串"
- 等测试满意了，再用付费层大规模生产
- 批量模式能省一半成本，适合规模化生产
- 长文本主动拆分，避免意外中断
项目地址：Google AI Studio