Gemini TTS 提示指南

本页介绍了在使用 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 时撰写提示的最佳实践。

如需查看请求语法和代码示例，请参阅 Gemini TTS 概览。

Gemini 3.8 TTS 模型将 text 字段视为逐字转写内容。持续的转弯级方向信息会显示在 speech_metadata 中，而时间点语音事件会以内嵌方式显示在转写内容中。以下请求将轮次级 style 与内嵌语音标记和暂停相结合：

{
  "contents": [{
    "role": "user",
    "parts": [{
      "text": "Wait... <short pause> did you hear that? <gasp> Someone's at the door.",
      "speechMetadata": {"style": "whispered, nervous"}
    }]
  }],
  "generationConfig": {
    "responseModalities": ["AUDIO"],
    "speechConfig": {"voiceConfig": {"voice": "Kore"}}
  }
}

样式字段与内嵌标记

按范围拆分性能指令：

• 回合级交付 (speech_metadata.style)：将持续交付属性（例如情绪、韵律、整体节奏或交付风格（如 "whispering"、"out of breath"、"muttering" 或 "sarcastic"））放入 speech_metadata 的 style 字段中。为了在对话轮次中打造稳定一致的角色和性能，请在语音设计中预先设计角色，并仅使用 style 进行可选的轮次级调整。
• 时间点事件（内嵌标记）：使用尖括号（<cough>、<breath>、<sigh>、<short pause>）将短暂的非语音爆发、呼吸或停顿内嵌在转写内容中。使用尖括号 (<...>) 可获得最高音质，并且应仅标记人声，而非非人声的音效。

节奏和停顿

您可以从三个级别控制节奏和静音：

• 标点符号和省略号：使用逗号、短划线 (--) 和省略号 (...) 来表示自然的犹豫。
• 内嵌暂停标记：在朗读者应暂停的位置插入 <short pause> 或 <long pause>。例如： "Hold on, let me think... <short pause> Alright, I've got it."
• 回合级语速：在 speech_metadata 中设置 "style": "speaking rapidly" 或 "style": "speaking slowly"，以控制整个回合的语速。

韵律和音调

使用 speech_metadata.style 可控制一轮对话中的韵律、音调和语调。例如 "style": "high pitch, cheerful and excited inflection" 或 "style": "monotone and flat"。如果对话过程中情绪发生变化，请将脚本拆分为单独的对话轮次，每轮对话都有自己的 style。

强调方式

将转写内容中的字词（包括标点符号和内嵌标记）大写，以强调这些字词。例如："This is a VERY important point!" 或 "It was a VERY long day <sigh> ... nobody listens anymore."

爆发性发声和非语音声音

将非语音的人声以内嵌方式放在尖括号 (<...>) 中，并放在应发出声音的位置。使用人声，而不是掌声等非人声音效。建议的人声标记包括：

后通道和重叠语音

在多发言者对话中，将监听者反应用竖线字符 (|reaction|) 括起来，放在活跃发言者的发言中。这样一来，无需为每种反应单独轮流发言，即可实现自然的后台渠道或重叠的语音。

• 简短的反馈：在发言者发言期间插入简短的听众反应：
  • 第 1 轮（发言者 A）："So the launch is Thursday |oh hmm| Are we actually ready?"
  • 第 2 轮（发言者 B）："Ready enough |oh really?| The last blocker cleared this morning."
  • 第 3 轮（演讲者 A）："Then let's ship it |absolutely| and watch the dashboards."
• 重叠和交错的语音：使用多个竖线分隔的片段来模拟同步语音。此功能最适合搭配 gemini-3.8-flash-tts 使用：
  • 倒计时或合唱："Let's surprise him on three |ok| ready?"，后跟 "one. two. three. |happy| happy |birthday| birthday!"
  • 完全重叠："Hello |oh| there |my| it |goodness| must |gracious| be |would| almost |you| time |look| for |at that| dinner"

各代之间的一致性以及应避免的事项

请遵循以下准则，以确保在对话轮次之间保持稳定的声音身份：

• 在语音设计中预先设计角色，而不是使用长样式块： 从早期模型沿用下来的长篇 "Audio Profile" 段落和多项符号 "Director's Notes" 是导致语音漂移的最常见原因。 在语音设计中预先使用相同的创意直觉，生成持久的自定义 voice_... 角色，然后在 TTS 调用中传递该语音 ID。
• 依靠语音参考实现稳定性（省略元指令）：Gemini 3.8 TTS 模型经过训练，可先锚定音频参考。 请勿添加指示模型保持声音稳定的指令（例如 "do not switch speaker identity" 或 "maintain identical timbre"）。额外的提示文本会增加漂移。舍弃不必要的风格指令，让模型在语音参考提供的稳定点附近自然变化。
• 请勿尝试在 style 中更改不可变的说话人特征：请避免在 speech_metadata.style 中添加年龄、适用性别、姓名或永久性口音变化。您可以从扩展语音库中选择一种地区性语音，也可以使用语音设计功能创建一种语音。

推荐的工作流程

1. 一次性打造角色：在语音设计中创建角色，或从扩展语音库中选择与目标语言和角色相符的区域性语音。
2. 撰写包含语流不畅的自然口语转写内容：为了尽可能自然，请将 text 撰写为真实的口语转写内容，包括自然的对话语流不畅和犹豫（例如 "Oh uh yeah I think... hm, so that's interesting"）。
3. 先测试纯 TTS：先使用空的 style 字段合成转写内容。大多数请求根本不需要任何 style 指令。
4. 仅为调整添加简短的 style 提示：仅为需要进行特定交付调整的对话添加简明的 style 字符串（例如 "casual, friendly" 或 "muttering, then reassuring"），并在需要保持一致基准时，在多个对话中重复使用该简短字符串。

多轮对话和语音代理

构建对话式语音智能体或其他多轮应用时：

• 在 LLM 文本到达时，为每个轮次发出一个 TTS 请求。
• 让配置的 voice 在对话轮次之间传递说话者的身份。请勿在每个轮次中重新发送长篇角色描述。
• 将 style 留空，或为整个对话发送一个简短的常量字符串。
• 将较长的智能体回答拆分为较短的对话轮次，而不是加强 style 提示。

后续步骤

• 通过语音设计打造一致的角色。
• 使用迁移指南更新为早期模型编写的提示。