大语言模型

Gemini更新语音模型：AI配音，开始需要一页导演笔记

2026 年 9 月 24 日

Google于9月23日发布Gemini 3.8 Flash TTS和Flash-Lite TTS，支持风格、口音、语速、语气等细粒度控制，并提供逐句指导表演与双人对话能力。文章指出，仅给AI正文文本不足以保证表达效果，需配套结构化‘导演笔记’明确角色、听众、信息重点与情绪变化，以提升配音可控性与一次命中率。

“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？

这次更新，给了创作者哪些控制？

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。

“自然一点”，为什么还不够？

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。

先说明	怎么写得具体
角色	主持人、讲解者，或分享经历的朋友
听众	面对现场观众，还是对一个人说话
信息重点	人名、时间、地点，哪一句需要放慢
情绪变化	哪里带期待，哪里平稳，结尾怎样收住

原创配音需求框架；按实际场景改写，最终以试听结果为准。

把一条活动预告，写成可执行的要求

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：

像主持人在开场前和观众轻松交流。前两句带一点期待，介绍时间地点时放慢，说完地点短暂停顿。结尾自然邀请，不要用喊口号的语气。正文逐字保留。

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。

先听一小段，再决定要不要做整篇

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。

人名和地名：容易读错的字单独核对。
日期和数字：确认听众能一次听清。
停顿与重音：不要把修饰关系或句意切断。
整段节奏：重要信息留时间，不必句句用力。

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？

JOTO 企业落地观察

企业部署语音合成能力时，不能再仅依赖模型默认输出；必须建立配套的提示工程规范，将角色、听众、信息权重等业务语义嵌入输入结构，否则生成结果将难以满足合规播报、培训讲解等严肃场景的确定性要求。
这类TTS系统的取舍在于：高自由度控制带来更高调试成本，团队需在‘预设音色快速交付’与‘定制导演笔记精细调控’之间做权衡——前者适合内部通知类内容，后者才是品牌传播、客户触达等关键场景的必要投入。
对RAG知识工程而言，语音输出层正成为新的知识表达接口。当企业知识库内容需转为语音播报时，‘导演笔记’实质是知识元数据的延伸：它要求将语义重点、受众特征、表达意图等结构化标注，纳入知识治理闭环。
AI安全治理需覆盖语音输出环节。音色复刻需本人授权、地区功能受限等事实表明，语音生成已进入强监管范畴；企业若引入此类能力，须在FDE驻场共创阶段即嵌入声纹授权管理、地域合规策略与输出审计点。