Gemini 3.1 Flash TTS 踩坑复盘：
你已经不能再用 2.5 TTS 的老方式调用了
最近在升级的一个音视频配音项目的 TTS 链路时，遇到一个很典型的问题：
原以为不就是把 TTS 模型从 2.5 换成 gemini-3.1-flash-tts-preview。但真正落地后发现，它并不是一次简单的模型名替换，而是一次 TTS 使用方式的变化。
如果还按照以前 2.5 TTS 的方式去调用，可能会遇到调用失败、音频不稳定、等等问题、甚至线上环境偶发 404 等问题。
所以写几个字记录下这次升级中最重要的经验：Gemini 3.1 Flash TTS 更像是一个“带导演的生成系统”，而不只是一个“发音接口”，而我在模型之上还加了个小模型进去，譬如用 GPT-5-CHAT 或者 Gemini-3.5-flash。 一切还是为了成本啊…
一、第一个变化是 TTS 不再只是输入文字
过去使用 TTS，很简单：给模型一段文字，指定一个声音，然后拿回一段音频。
这种方式在 2.5 时算是够用了，无外乎就是稳定朗读。只要不读错、不漏读、音质过关，尤其企业内部就算完成了。
现在的 Gemini 3.1 Flash TTS 的重点已经变了。它不只是把文字念出来，而是希望你告诉它：
你打算让谁来说？这段内容是在什么场景里说？所以发音时应该用什么语气？ 哪些内容要慢一点？哪些地方要更有兴趣、更有强调？ 哪些内容是参考信息，不能真的读出来？
回答了这一大堆问题后，TTS 完全就变成了配音员，感觉也会好很多。
这就带来一个关键变化：如果我们还用旧方式，只传一段简单文本和音色，那么虽然可能也能出声音，但很难发挥 3.1 的真正能力。
二、升级时，提示词也需要重构
升级 Gemini 3.1 Flash TTS，提示词必须一起升级。老的 TTS 提示词比较简单，大概是告诉模型“请用普通话自然朗读下面内容”。现在这种提示词必须要升级了。
3.1 更适合用“导演”的方式来写提示词。也就是把提示词拆成几个清楚的部分：
首先是声音身份。比如这是一个中文科技解说频道的讲述者。
其次，什么场景下？比如安静、专业的录音棚。
音色要求。比如温暖、自信、有参与感，像一个懂行的朋友在讲解，而不是戏剧化表演。
朗读节奏。遇到什么要读的稍微慢一点，要有自然停顿等等。
最后，不能做的事情。比如把提示词、标签、说明文字、XML 标记也读出来。
这些提示词工程，本质上交互方式发生了极大的改变。以前定义的是“读出来”。现在定义的是“以什么身份、什么场景、什么情绪、什么节奏读出来”。
这会直接影响成品视频的观感。一个平铺直叙的声音，和一个有轻微节奏、有重点、有自然停顿的声音，显然，最终的听感差别很大。
三、要防止模型读不该读的
模型有一个很现实的问题：如果提示词边界写得不清楚，它可能会把不该读的东西也读出来。
比如你在提示词里写：
请用温暖、自信、专业的语气朗读。
如果边界不清晰，模型可能真的把“请用温暖、自信、专业的语气朗读”这句话读进音频里。
所以这次保留了一个非常重要的护栏：正文必须放在
同时还要告诉模型：
不要读标题。 不要读 XML 标签。 不要加入笑声、叹气、呼吸声、音乐、音效、开场白、免责声明或额外文字。
这是小细节，也是生产系统必须有的边界意识。对于视频配音来说，一旦模型把提示词读进音频，后面的字幕、时间轴和成片都会被污染。
四、3.1 的价值
Gemini 3.1 Flash TTS 一个很重要的新能力，是可以使用音频标签。
比如在文本中加入类似这样的标签：
[好奇] [缓慢] [emphatic]
标签不是让模型读出来的文字，而是告诉模型这一段应该用什么状态来表达。如果从产品角度来看，非常有价值。因为科技解说、播客、知识视频最怕的问题就是声音太平。
内容本身可能很精彩，但如果声音像说明书一样一路念完，用户很容易听累。当然，加一大堆标签进去显然也不科学。
如果每句话都加标签，音频会变得很乱。一会儿兴奋，一会儿严肃，显然只适合话剧。
声音原则很简单：表现力要有，但不能失控。先要像同一个人在连续讲述，然后才谈情绪变化。
标签只在合成音频时临时注入，不写进字幕，不写进原始中文朗读文本。
五、环境配置可能存在 location 坑
遇到一个繁琐的问题，是调用位置。
仓库里之前已经遇到过 Gemini 3.x 图像模型在 Vertex 区域端点 404 的情况，最后必须强制走 global。TTS 也是同代 3.x 模型，所以不能默认它在所有区域配置下都稳定可用。
感觉这个环境配置的错误是因为 preview 模型，这里记录下后续再确认。
六、长音频仍然要切块，不能一口气合成到底
Gemini 也提醒过，长输出容易出现漂移。比如几分钟以上的长音频，模型可能在节奏、稳定性、内容一致性上变差。
video_trans 现在按 group 合成，每组大约 200 字，这个方向是对的。
从产品角度看，切块有好处：失败成本低。缓存更有效时间轴更稳定。但切块也带来一个问题：组与组之间的声音风格可能不一致。
所以各种导演、音色、标签尽量要固定和克制。否则每一段内容都像不同状态的人在说话，听感会炸裂。
总结下关键的变化
第一，模型升级后提示词必须升级，最好是加前置模型对全篇文章分析，生成对应的内容。
第二，标签临时注入，不要污染内容。
第三，长音频仍然要切块，要复用同一套风格。
第四，支持双人播客。
第五，Batch API 可以优化成本
一句话概括：Gemini 3.1 Flash TTS 的升级，不是换一个更会读的模型，而是把 TTS 从朗读工具升级更具可定义和编辑的配音系统了。
讨论
登录后可评论、点赞、引用回复。