Google 会使用 AI 技术将内容翻译成您偏好的语言。AI 翻译可能包含错误。

使用 Gemini TTS 生成语音

Gemini 文字转语音 (TTS) 模型可将文字转换为单人或多人音频。您可以使用结构化对话元数据 (speech_metadata) 和内嵌语音标记来控制音频的风格、口音、语速和语气。

本页介绍了如何使用 Gemini Enterprise API 的 generateContent 和 streamGenerateContent 方法通过以下模型生成语音：

Gemini 3.8 Flash TTS (gemini-3.8-flash-tts)
Gemini 3.8 Flash-Lite TTS (gemini-3.8-flash-lite-tts)

TTS 模型专为精准朗读文本而量身打造，可对风格和声音进行精细控制，适用于旁白、有声读物和语音代理回答等场景。如需进行交互式实时对话，并使用音频输入和输出，请改用 Live API。

如果您使用的是较早的 Gemini TTS 模型（例如 gemini-3.1-flash-tts-preview），请参阅迁移指南。

支持的模型

模型	一位说话者	多说话人	流式	语音设计	语音复刻
Gemini 3.8 Flash TTS (`gemini-3.8-flash-tts`)
Gemini 3.8 Flash-Lite TTS (`gemini-3.8-flash-lite-tts`)
Gemini 3.1 Flash TTS 预览版 (`gemini-3.1-flash-tts-preview`)
Gemini 2.5 Pro TTS (`gemini-2.5-pro-tts`)
Gemini 2.5 Flash TTS (`gemini-2.5-flash-tts`)

本页面上的示例和功能适用于 Gemini 3.8 TTS 模型。对于早期模型，请参阅Google Cloud Text-to-Speech 文档中的 Gemini-TTS。

何时使用哪种模型

Gemini 3.8 TTS 模型具有相同的请求架构和提示格式，因此您可以通过更改模型 ID 在它们之间切换：

如果需要优先考虑声音保真度、细致的表演和富有表现力的控制，请使用 Gemini 3.8 Flash TTS (gemini-3.8-flash-tts)。它适用于工作室级创意工作、复杂的多人对话、频繁的语音片段标记、发音困难的词语、地区或少数民族方言，以及需要稳定声音和室内音调的长篇旁白。
使用 Gemini 3.8 Flash-Lite TTS (gemini-3.8-flash-lite-tts) 可快速高效地处理生产工作负载。它是 gemini-3.1-flash-tts-preview 的推荐替代方案，适用于大批量批处理制作、对话语音代理级联、朗读功能、语音复制以及主要语言的日常单人语音。

准备工作

设置项目并启用 Gemini Enterprise API。
为您的开发环境配置应用默认凭证。
如需使用 Python 示例，请安装 Google Gen AI SDK 2.25.0 版或更高版本：
```
pip install --upgrade "google-genai>=2.25.0"
```

Gemini 3.8 TTS 模型可在 global 位置使用。向 aiplatform.googleapis.com 端点发送请求。

单说话者 TTS

如需将文本转换为单人音频，请在 parts[].text 中传递逐字转写内容，在 parts[].speech_metadata 中添加可选的轮次级样式，并在 speechConfig.voiceConfig.voice 中设置语音。voice 字段接受预建语音名称、扩展语音库语音 ID，或设计或复制的语音的 ID (voice_...)（或可选的无状态 voicekey_... 键）。

默认情况下，一元请求会返回完整的 WAV 文件（16 位 PCM、24 kHz、单声道），因此您可以将音频字节直接写入 .wav 文件。流式传输请求会返回原始 PCM 块。如需了解详情和其他编码，请参阅音频输出格式。

Python

from google import genai

client = genai.Client(enterprise=True, project="PROJECT_ID", location="global")

response = client.models.generate_content(
    model="gemini-3.8-flash-tts",
    contents=[{
        "role": "user",
        "parts": [{
            "text": "Have a wonderful day!",
            "speech_metadata": {"style": "cheerful and friendly"},
        }],
    }],
    config={
        "response_modalities": ["AUDIO"],
        "speech_config": {"voice_config": {"voice": "Kore"}},
    },
)

# The SDK has already decoded the base64 audio, so inline_data.data is a
# complete WAV file by default.
with open("out.wav", "wb") as f:
    f.write(response.candidates[0].content.parts[0].inline_data.data)

REST

curl -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  https://aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/global/publishers/google/models/gemini-3.8-flash-tts:generateContent \
  -d '{
    "contents": [{
      "role": "user",
      "parts": [{
        "text": "Have a wonderful day!",
        "speechMetadata": {"style": "cheerful and friendly"}
      }]
    }],
    "generationConfig": {
      "responseModalities": ["AUDIO"],
      "speechConfig": {
        "voiceConfig": {"voice": "Kore"}
      }
    }
  }' | jq -r '.candidates[0].content.parts[0].inlineData.data' | base64 --decode > out.wav

单说话者流式 TTS

如需在模型仍在合成音频时接收音频，请使用 streamGenerateContent 方法。流式传输响应会返回无标头的原始 16 位 PCM 分块（24 kHz，单声道），因此您可以在每个分块到达时将其传递给播放器、套接字或其他音频流水线。在以下 Python 示例中，emit_audio 函数代表该目的地。

Python

from google import genai

client = genai.Client(enterprise=True, project="PROJECT_ID", location="global")

def emit_audio(pcm: bytes) -> None:
    """Sends a chunk of raw 16-bit PCM audio (24 kHz, mono) downstream."""
    # Replace with your audio destination, such as a player, a WebSocket,
    # or a telephony stream.
    print(f"Received {len(pcm)} bytes of audio")

response_stream = client.models.generate_content_stream(
    model="gemini-3.8-flash-lite-tts",
    contents=[{
        "role": "user",
        "parts": [{
            "text": "Have a wonderful day!",
            "speech_metadata": {"style": "cheerful and friendly"},
        }],
    }],
    config={
        "response_modalities": ["AUDIO"],
        "speech_config": {"voice_config": {"voice": "Kore"}},
    },
)

for chunk in response_stream:
    if not chunk.candidates or not chunk.candidates[0].content:
        continue
    for part in chunk.candidates[0].content.parts or []:
        if part.inline_data and part.inline_data.data:
            emit_audio(part.inline_data.data)

REST

curl -N -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  "https://aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/global/publishers/google/models/gemini-3.8-flash-lite-tts:streamGenerateContent?alt=sse" \
  -d '{
    "contents": [{
      "role": "user",
      "parts": [{
        "text": "Have a wonderful day!",
        "speechMetadata": {"style": "cheerful and friendly"}
      }]
    }],
    "generationConfig": {
      "responseModalities": ["AUDIO"],
      "speechConfig": {
        "voiceConfig": {"voice": "Kore"}
      }
    }
  }' | sed -n 's/^data: //p' \
    | jq -r '.candidates[0].content.parts[0].inlineData.data // empty' \
    | while read -r chunk; do echo "$chunk" | base64 --decode; done > streamed.pcm

streamed.pcm 文件包含原始 16 位 PCM 音频，采样率 24 kHz，单声道。

多说话人 TTS

对于两位讲话者之间的对话，请在 speechConfig.multiSpeakerVoiceConfig.speakerVoiceConfigs 中配置两位讲话者。然后，将每个对话轮次作为单独的 part 传递，将每个对话轮次的 speech_metadata.speaker 设置为配置的发言人名称之一，并添加可选的对话轮次级 style。

多音箱请求需要两个音箱。

Python

from google import genai

client = genai.Client(enterprise=True, project="PROJECT_ID", location="global")

response = client.models.generate_content(
    model="gemini-3.8-flash-tts",
    contents=[{
        "role": "user",
        "parts": [
            {
                "text": "How's it going today, Jane?",
                "speech_metadata": {"speaker": "Joe", "style": "cheerful and friendly"},
            },
            {
                "text": "Not too bad, how about you? Ready to test these new voices?",
                "speech_metadata": {"speaker": "Jane", "style": "calm and relaxed"},
            },
        ],
    }],
    config={
        "response_modalities": ["AUDIO"],
        "speech_config": {
            "multi_speaker_voice_config": {
                "speaker_voice_configs": [
                    {"speaker": "Joe", "voice_config": {"voice": "Puck"}},
                    {"speaker": "Jane", "voice_config": {"voice": "Kore"}},
                ]
            }
        },
    },
)

with open("dialogue.wav", "wb") as f:
    f.write(response.candidates[0].content.parts[0].inline_data.data)

REST

curl -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  https://aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/global/publishers/google/models/gemini-3.8-flash-tts:generateContent \
  -d '{
    "contents": [{
      "role": "user",
      "parts": [
        {
          "text": "How'\''s it going today, Jane?",
          "speechMetadata": {"speaker": "Joe", "style": "cheerful and friendly"}
        },
        {
          "text": "Not too bad, how about you? Ready to test these new voices?",
          "speechMetadata": {"speaker": "Jane", "style": "calm and relaxed"}
        }
      ]
    }],
    "generationConfig": {
      "responseModalities": ["AUDIO"],
      "speechConfig": {
        "multiSpeakerVoiceConfig": {
          "speakerVoiceConfigs": [
            {"speaker": "Joe", "voiceConfig": {"voice": "Puck"}},
            {"speaker": "Jane", "voiceConfig": {"voice": "Kore"}}
          ]
        }
      }
    }
  }' | jq -r '.candidates[0].content.parts[0].inlineData.data' | base64 --decode > dialogue.wav

多说话人流式 TTS

多音箱请求也支持流式传输。使用与多说话人 TTS 中相同的请求，但使用 streamGenerateContent 方法。

Python

from google import genai

client = genai.Client(enterprise=True, project="PROJECT_ID", location="global")

def emit_audio(pcm: bytes) -> None:
    """Sends a chunk of raw 16-bit PCM audio (24 kHz, mono) downstream."""
    # Replace with your audio destination, such as a player, a WebSocket,
    # or a telephony stream.
    print(f"Received {len(pcm)} bytes of audio")

response_stream = client.models.generate_content_stream(
    model="gemini-3.8-flash-tts",
    contents=[{
        "role": "user",
        "parts": [
            {
                "text": "How's it going today, Jane?",
                "speech_metadata": {"speaker": "Joe", "style": "cheerful and friendly"},
            },
            {
                "text": "Not too bad, how about you? Ready to test these new voices?",
                "speech_metadata": {"speaker": "Jane", "style": "calm and relaxed"},
            },
        ],
    }],
    config={
        "response_modalities": ["AUDIO"],
        "speech_config": {
            "multi_speaker_voice_config": {
                "speaker_voice_configs": [
                    {"speaker": "Joe", "voice_config": {"voice": "Puck"}},
                    {"speaker": "Jane", "voice_config": {"voice": "Kore"}},
                ]
            }
        },
    },
)

for chunk in response_stream:
    if not chunk.candidates or not chunk.candidates[0].content:
        continue
    for part in chunk.candidates[0].content.parts or []:
        if part.inline_data and part.inline_data.data:
            emit_audio(part.inline_data.data)

REST

curl -N -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  "https://aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/global/publishers/google/models/gemini-3.8-flash-tts:streamGenerateContent?alt=sse" \
  -d '{
    "contents": [{
      "role": "user",
      "parts": [
        {
          "text": "How'\''s it going today, Jane?",
          "speechMetadata": {"speaker": "Joe", "style": "cheerful and friendly"}
        },
        {
          "text": "Not too bad, how about you? Ready to test these new voices?",
          "speechMetadata": {"speaker": "Jane", "style": "calm and relaxed"}
        }
      ]
    }],
    "generationConfig": {
      "responseModalities": ["AUDIO"],
      "speechConfig": {
        "multiSpeakerVoiceConfig": {
          "speakerVoiceConfigs": [
            {"speaker": "Joe", "voiceConfig": {"voice": "Puck"}},
            {"speaker": "Jane", "voiceConfig": {"voice": "Kore"}}
          ]
        }
      }
    }
  }' | sed -n 's/^data: //p' \
    | jq -r '.candidates[0].content.parts[0].inlineData.data // empty' \
    | while read -r chunk; do echo "$chunk" | base64 --decode; done > dialogue_streamed.pcm

dialogue_streamed.pcm 文件包含原始 16 位 PCM 音频，采样率 24 kHz，单声道。

使用元数据和标记控制语音风格

Gemini 3.8 TTS 模型将 text 字段视为逐字转写内容。写入文本中的说明（例如 "Say cheerfully: Hello!" 或 "Speaker 1: Hello!"）可能会被朗读出来。如需控制交付，请按范围拆分说明：

持续的轮次级交付 (speech_metadata.style)：将适用于整个轮次的情感、交付风格、韵律、语速和音量放在 speech_metadata.style 中。例如 "style": "whispered urgently"、"style": "out of breath" 或 "style": "warm and enthusiastic"。
时间点事件（内嵌标记）：将短暂的非语音声音和停顿放在转写内容中的尖括号内。例如，"Wait... <short pause> did you hear that? <sigh>" 或 "Excuse me <cough> as I was saying..."。

如需更多指导，请参阅提示指南。

语音选项

Gemini 3.8 TTS 模型支持四种选择或创建语音的方式：

预建语音：30 种精选语音。
扩展语音库：包含 2,000 多种精选的预设语音，涵盖多种语言、地区口音和角色人物。
语音设计：使用 Voices API create 方法（在 Google Gen AI SDK 中为 client.voices.create()，或 POST https://aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/global/voices）根据自然语言说明创建自定义语音。将 type 设置为 VOICE_TYPE_PROMPTED，并将 store 设置为 true。响应会返回存储的 voice_... ID 和语音样本。
语音复刻：使用相同的 create 方法，根据参考音频和同意书音频复刻说话人的声音。将 type 设置为 VOICE_TYPE_REPLICATED。使用 store: true 时，响应会返回存储的 voice_... ID。使用 store: false 时，它会返回无状态的 voicekey_... 密钥。

自定义语音限制和 TTL

语音类型	存储模式	管理	失效时间
存储的语音（`voice_...`，设计或复制）	`store: true`	Voices API `list`、`get` 和 `delete` 方法	自上次使用起 1 年后
语音复刻键 (`voicekey_...`)	`store: false`	由您的应用管理。Google 不会保留密钥。	自创建之日起 7 天后

使用已存储的声音生成语音会重新开始计算一年的保留期限，因此您经常使用的声音不会过期。语音创建请求受每项目每分钟配额的限制。如果超出此限制，create 方法会返回 RESOURCE_EXHAUSTED 错误。如需了解详情，请参阅配额和系统限制。

预建语音

下表列出了每个预建语音名称及其特征：

Achernar：柔和
Achird：友好
Algenib：Gravelly
Algieba：平滑
Alnilam：坚定
Aoede：轻快
Autonoe：清亮
Callirrhoe：随和
Charon：信息丰富
Despina：流畅
Enceladus：气声
Erinome：清晰
Fenrir：激昂
Gacrux：成熟
Iapetus：清晰
Kore：坚定
Laomedeia：欢快
Leda：青春活力
Orus：坚固
Puck：欢快
Pulcherrima：直率
Rasalgethi：信息丰富
Sadachbia：活泼
Sadaltager：博学
Schedar：均匀
Sulafat：暖色调
Umbriel：轻松
Vindemiatrix：轻柔
Zephyr：明快
Zubenelgenubi：随性

扩展语音库

除了 30 种预建语音外，扩展语音库还提供 2,000 多种精选的预设语音，涵盖多种语言、地区口音、角色人物和使用情形（例如有声读物、对话式代理和新闻）。如需使用库语音，请在 speechConfig.voiceConfig.voice 中传递其 ID，传递方式与传递预构建语音名称相同。

如需浏览该库，请调用 Voices API list 方法 (ListVoices)。该方法会返回存储在项目中的自定义声音，然后返回预建声音和扩展声音库声音。每个库声音都包含其 id 和元数据，例如 language_code、accent、gender、pitch、persona 和 description。如需缩小结果范围，请使用以下过滤条件：

type：语音来源：prebuilt 表示预建语音和库语音，prompted 表示设计语音，replicated 表示复制语音。如果您传递多个值，该方法会返回与其中任何一个值匹配的声音。
search：要匹配的文本（不区分大小写），用于与每个语音的显示名称和说明进行匹配。

以下示例在库中搜索旁白语音：

Python

from google import genai

client = genai.Client(enterprise=True, project="PROJECT_ID", location="global")

response = client.voices.list(type_=["prebuilt"], search="narrator", page_size=50)
for voice in response.voices or []:
    print(voice.id, voice.language_code, voice.gender, voice.description)

REST

curl -G \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  https://aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/global/voices \
  --data-urlencode "type=prebuilt" \
  --data-urlencode "search=narrator" \
  --data-urlencode "pageSize=50"

list 方法每页最多返回 50 个声音。如需获取下一页，请将响应中的 next_page_token 值作为 page_token 参数传递。

音频输出格式

默认音频编码取决于方法：

一元请求 (generateContent) 会返回包含 RIFF 标头的完整 WAV 文件 (audio/wav)：16 位 PCM、24 kHz、单声道。
流式请求 (streamGenerateContent) 返回无标头的原始 16 位有符号小端字节序 PCM 块 (audio/l16)，采样率为 24 kHz，单声道。

如需请求其他编码，请将 generationConfig.responseFormat 设置为音频格式。Gemini 3.8 TTS 模型支持以下 mimeType 值：

`mimeType` 值	格式	说明
`AUDIO_WAV` （一元默认）	WAV (`audio/wav`)	包含 RIFF 标头的完整 WAV 文件（16 位 PCM、24 kHz、单声道）。
`AUDIO_L16` （流式默认）	线性 PCM (`audio/l16`)	无标头的原始 16 位有符号小端序 PCM。用于流式传输、自定义音频流水线或串联多轮对话片段。
`AUDIO_MULAW`	μ-law (`audio/mulaw`)	G.711 μ-law 压扩音频（8 kHz，单声道），常用于北美和日本的电话。
`AUDIO_ALAW`	A-law (`audio/alaw`)	G.711 A-law 压缩音频（8 kHz，单声道），通常用于欧洲和国际电话。

模型会忽略 sampleRate 字段。线性 PCM 和 WAV 输出为 24 kHz，而 μ-law 和 A-law 输出为 8 kHz，无论响应 mimeType 中的速率是多少。如果流水线需要不同的采样率，请在客户端上重新采样输出。

以下示例请求电话流水线的 μ-law 输出。Google Gen AI SDK for Python 不会在 GenerateContentConfig 中公开 responseFormat，因此 Python 示例会通过 http_options.extra_body 在请求正文中传递它。

Python

from google import genai

client = genai.Client(enterprise=True, project="PROJECT_ID", location="global")

response = client.models.generate_content(
    model="gemini-3.8-flash-tts",
    contents=[{"role": "user", "parts": [{"text": "Have a wonderful day!"}]}],
    config={
        "response_modalities": ["AUDIO"],
        "speech_config": {"voice_config": {"voice": "Kore"}},
        "http_options": {
            "extra_body": {
                "generationConfig": {
                    "responseFormat": [{"audio": {"mimeType": "AUDIO_MULAW"}}]
                }
            }
        },
    },
)

# The response is headerless μ-law audio at 8 kHz, mono.
with open("out.mulaw", "wb") as f:
    f.write(response.candidates[0].content.parts[0].inline_data.data)

REST

curl -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  https://aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/global/publishers/google/models/gemini-3.8-flash-tts:generateContent \
  -d '{
    "contents": [{"role": "user", "parts": [{"text": "Have a wonderful day!"}]}],
    "generationConfig": {
      "responseModalities": ["AUDIO"],
      "responseFormat": [{"audio": {"mimeType": "AUDIO_MULAW"}}],
      "speechConfig": {
        "voiceConfig": {"voice": "Kore"}
      }
    }
  }' | jq -r '.candidates[0].content.parts[0].inlineData.data' | base64 --decode > out.mulaw

支持的语言

Gemini 3.8 TTS 模型会自动检测输入语言。Gemini 3.8 Flash TTS 支持 130 种语言，而 Gemini 3.8 Flash-Lite TTS 支持 101 种语言：

语言	Gemini 3.8 Flash TTS	Gemini 3.8 Flash-Lite TTS
亚齐语（阿拉伯文字）
南非荷兰语
Akan
阿姆哈拉语
亚美尼亚语
阿萨姆语
阿瓦德语
巴厘文
孟加拉语
班查语（阿拉伯文字）
班查语（拉丁文字）
巴什基尔语
巴斯克语
白俄罗斯语
奔巴语
博杰普尔语
波斯尼亚语
布吉文
保加利亚语
缅甸语
粤语
加泰罗尼亚语
宿务语
中部库尔德语
恰蒂斯加尔语
中文（汉字）
中文（繁体）
克里米亚鞑靼语
克罗地亚语
捷克语
丹麦语
荷兰语
迪尤拉语
宗卡语
埃及阿拉伯语
英语
爱沙尼亚语
菲律宾语
芬兰语
法语
加利西亚语
Ganda
格鲁吉亚语
德语
希腊语
瓜拉尼人
古吉拉特语
海地克里奥尔语
喀尔喀蒙古语
豪萨语
希伯来语
印地语
匈牙利语
冰岛语
伊博语
伊洛果语
印度尼西亚语
伊朗波斯语
意大利语
日语
爪哇语
卡拜尔语
卡姆巴语
卡纳达语
克什米尔语（阿拉伯文字）
克什米尔语（梵文）
哈萨克语
高棉语
吉库尤语
卢旺达语
刚果语
韩语
吉尔吉斯语
老挝语
拉特加莱语
林加拉语
立陶宛语
卢森堡语
马其顿语
摩揭陀语
迈蒂利语
马拉雅拉姆语
马耳他语
曼尼普尔语
马拉地语
米南佳保语（阿拉伯文字）
米南佳保语（拉丁文字）
米佐语
尼泊尔语（单独的语言）
尼日利亚富拉语
阿塞拜疆北部
北索托语
乌兹别克北部
挪威博克马尔语
挪威语（尼诺斯克语）
尼昂加语
奥克斯坦语
奥里亚语（单个语言）
邦阿西楠语
波斯语（阿富汗）
波兰语
葡萄牙语
旁遮普语
罗马尼亚语
俄语
桑塔利语
塞尔维亚语
信德语
僧伽罗文
斯洛伐克语
斯洛维尼亚语
索马里语
南阿塞拜疆语
南部普什图语
南索托语
西班牙语
标准阿拉伯语（阿拉伯文字）
标准阿拉伯语（拉丁文字）
标准拉脱维亚语
标准马来语
斯瓦希里语（单个语言）
斯瓦特语
瑞典语
塔吉克语
泰米尔语
泰卢固语
泰语
提格里尼亚语
阿尔巴尼亚语托斯克方言
维吾尔语

限制

TTS 模型接受纯文本输入，并返回纯音频输出。
多音箱请求需要两个音箱。如需在多角色对话中组合设计 (voice_...) 或复制（voice_... 或 voicekey_...）的语音，或使用两个以上的说话者，请单独合成每个说话者的发言，然后将音频串联起来。为每个轮次请求 AUDIO_L16 输出，或者在连接剪辑之前从每个剪辑中剥离 WAV 标头。
这些模型仅在 global 位置提供。
不支持系统指令。
您无法设置输出采样率。不支持 MP3 和 Ogg Opus 输出。

后续步骤

如需了解如何指导风格、节奏和声音，请参阅提示指南。
借助语音设计功能，根据文字说明创建自定义语音。
使用语音复刻功能复刻说话者的声音。
如需查看模型规范，请访问 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 模型页面。

使用 Gemini TTS 生成语音 使用集合让一切井井有条 根据您的偏好保存内容并对其进行分类。

支持的模型

何时使用哪种模型

准备工作

单说话者 TTS

Python

REST

单说话者流式 TTS

Python

REST

多说话人 TTS

Python

REST

多说话人流式 TTS

Python

REST

使用元数据和标记控制语音风格

语音选项

自定义语音限制和 TTL

预建语音

扩展语音库

Python

REST

音频输出格式

Python

REST

支持的语言

限制

后续步骤

使用 Gemini TTS 生成语音