Gemini更新语音模型：AI配音，开始需要一页导演笔记

“欢迎来到现场。”同样六个字，可以是主持人把气氛带起来，也可以是工作人员平静地提醒入场。如果只给AI一段正文，它未必知道你需要哪一种。

所以这次Google更新语音模型，我更关心一个变化：我们能不能把想要的表达说得更具体，让配音少一些来回猜测？

9月23日，Google发布Gemini 3.8 Flash TTS和Flash-Lite TTS。TTS就是把文字转成语音。官方分别强调创意音色设计和大规模语音生成，也提供逐句指导表演、双人对话等能力；开发者可从AI Studio与Gemini API查看入口。

官方文档把朗读文本与风格控制分开：除了正文，还可指定说话人的风格、口音、语速和语气。它与实时语音聊天的用途不同，更面向需要照稿表达的内容。本文做的是资料解读，未进行试听对比。

因为自然没有唯一标准。发布会主持的自然，是清楚、有分寸、能照顾现场节奏；朋友讲旅行经历的自然，可能是随口带出细节；课程讲解的自然，又要给听众留下消化信息的时间。

我们平时给同事提意见，也容易只说“再有感觉一点”。对方不知道该改语速、重音，还是情绪。把这种模糊要求原封不动交给AI，仍然需要反复试。

下面这张表，是我建议创作者准备的“导演笔记”。它是一套原创表达方法，不是官方承诺，也不是所有工具通用的技术指令。

原创导演笔记框架

假设要给一场活动做预告。先把人名、地点和时间校对好，再给配音写一段说明：

这段示例没有要求它模仿某位名人，也没有把全部句子都推到最激动。它只是明确角色、重点和情绪变化。具体使用时，应把这段说明放进工具的风格或控制区域，将真正要读的文字单独放入正文区域。

如果成品听起来太“主持腔”，先调整角色描述；如果时间地点一带而过，就只改这几句的节奏。一次改一个要素，才能知道变化来自哪里。

我的建议是先挑一段包含难读词和关键信息的短稿，保留相同文字，对比两种表达。检查顺序也可以固定：先确认字词有没有读错，再听停顿是否改变意思，最后判断整体语气适不适合画面。

公告还介绍了通过声音样本复刻音色的能力，并要求声音本人同意；AI Studio的相关功能有地区限制。普通试用可先选现成音色，具体入口、费用和权限以实际页面为准，不能仅凭发布公告判断自己的账号已全部开放。

我觉得这类更新真正有意思的地方，是把一部分选择交回了创作者：你需要知道这句话为什么要这样说。写清楚角色与听众，再把每一句的重点交代明白，才更容易判断生成结果是否合适。

下一次做配音，除了交一份正文，也给它一页导演笔记。你最想先调整的，是语速、停顿，还是情绪？