今天，我们宣布对 Gemini 2.5 Flash 和 Gemini 2.5 Pro 文本转语音（TTS）预览模型进行重大升级。
主要改进包括：
- 更强的表现力：更丰富的语调变化，更严格遵循风格提示。
- 精准的节奏控制：更智能的上下文感知速度调整，更好的指令遵循能力。
- 流畅的对话：多说话人场景中保持角色声音一致性。
这些模型将取代我们在 5 月发布的 TTS 模型。你现在可以在 Google AI Studio 中快速构建应用，并在 Playground 中探索模型能力。
新型 TTS Flash 和 Pro 模型
许多开发者依赖文本转语音来生成高质量内容，并需要对风格、语调、节奏和口音进行精细控制——从长篇有声书到本地化的电子学习模块。产品教程、营销视频或创作者内容等场景通常还需要多语音交互和可靠的技术术语发音。
为满足这些需求，我们推出了 Gemini 2.5 Flash TTS 预览版（针对低延迟优化）和 Gemini 2.5 Pro TTS 预览版（针对质量优化）的更新。
增强的风格与语调多样性
无论你是在构建角色扮演游戏中的角色、一个有用的虚拟助手，还是一个富有戏剧性的旁白，声音都需要契合角色。我们的 Gemini TTS 模型现在表现力更强，能更紧密地遵循你在风格提示中提供的具体指令，显著提升角色贴合度。你可以指定特定的语调——从“欢快乐观”到“严肃沉重”——模型将提供真实可信的表现。
在 Synergy Intro 演示应用 中探索 Gemini 2.5 TTS 模型的风格范围。
上下文感知的节奏控制
为了营造自然的话语模式，节奏是一个关键要素：笑话需要把握好时机，复杂的解释需要留出喘息空间，动作场景则需要加快速度。我们改进了模型根据消息上下文调整节奏的能力，使其能够自然地放慢语调以强调重点，或加快速度以表达兴奋。此外，我们还优化了节奏控制能力，模型现在能更忠实地遵循你明确的节奏指令。
听听模型如何根据指令调整节奏：
“风格：你是一个悬疑小说的讲述者。以一种紧张的语调开始，然后加速到兴奋和宽慰。”
文本：“我慢慢地试着开锁。我紧张地摸索着……没有动静……我深呼吸，又试了一次。咔哒一声，我进去了！简直不敢相信，我真的进去了！”
改进的多说话人能力
在播客、模拟采访或多角色叙事等场景中，创造出具有鲜明个性的真实对话至关重要。我们优化了模型，使其能够保持角色声音的一致性，并在来回对话中更自然地处理说话人之间的“交接”。
我们还改进了模型的多语言能力，使其能够在所有 24 种支持的语言 下，在整个对话过程中保留每个角色独特的语调、音高和风格。
在 Voices from History 演示应用 中探索模型的多说话人、多语言能力。
客户评价
合作伙伴已经看到了这些改进在生产中的效果。
AI 音频平台 Wondercraft 使用 Gemini TTS 构建了两个最重要的功能：Convo Mode，让任何人都能创建逼真的多说话人对话，并可控制节奏和表达方式；以及 Director Mode，提供对发音、语调和非语言信号的精确控制，使编辑变得毫不费力。
“Gemini TTS 是将 Wondercraft 从演示带到实际生产用例的关键。客户一直渴望更自然的语音，而传统的 TTS 引擎无法满足。自从采用 Gemini TTS 以来，订阅量增长了 20%，首月流失率下降了 20%，我们的成本也下降了 20%。”
Youssef Rizk，Wondercraft 创始人
Toonsutra 借助 Gemini TTS 为角色和宣传视频广告制作电影级画外音，其处理多语言和角色细微差别的能力备受信赖。
“我们根据角色在漫画面板和整体故事中的上下文生成音频。这包括为每个角色定制音高、语调和口音，以尽可能带来沉浸式体验。目前，我们正在为英语和印地语漫画实施这一方案，发现角色语调一致性和质量都非常出色。”
Vishal Anand，Toonsutra CEO
立即开始
Gemini 2.5 Flash 和 2.5 Pro TTS 模型现已通过 Google AI Studio 中的 Gemini API 提供。请阅读我们的 开发者文档，探索 提示指南，或查阅 Gemini API Cookbook 来快速上手。
