Gemini TTS中文语音合成实战：提示词工程与多风格音频生成指南

Gemini 新推出的 TTS 模型在音质、情绪表达和可控性方面都远超预期。它最核心的特点可以用一句话概括：不仅知道说什么，而且知道如何说。

无论是儿童故事的温馨细腻、悬疑剧情的紧张压抑，还是电竞解说的激情澎湃，Gemini 2.5 TTS 都能游刃有余地驾驭。本文将系统介绍它的效果、特点和实际应用方法。

一、先听效果：多风格音频示例

示例一：儿童睡前故事（温柔风格）

效果评价：语调温柔、节奏舒缓，带有近距离耳语感。在停顿、轻重、音色上的处理都非常自然，几乎可以直接作为成品音频使用。

AUDIO PROFILE: 月亮姐姐"枕边的星星"
THE SCENE: 柔软的梦境入口

夜晚九点，一间布置温馨的儿童房。小夜灯投射出旋转的星星和月亮，在天花板上缓缓流动。窗外有轻柔的风声和远处偶尔传来的蛐蛐叫声。小朋友已经钻进了软绵绵的被窝，抱着最爱的小兔子玩偶，眼皮有些沉，却还舍不得闭上，等待着今晚的故事。房间里弥漫着淡淡的薰衣草香气，一切都在轻轻地说：该睡啦。

DIRECTOR'S NOTES
Style:
"云朵般的柔软"：声音轻盈、温暖，像被棉花糖包裹。每一个字都带着微笑和拥抱的感觉，让孩子感到绝对的安全。
情感基调：满溢的爱意和耐心，仿佛整个世界都慢了下来，此刻只有你和这个小小的听众。
气息控制：呼吸平稳而深长，带有轻微的气声，营造出亲密的"悄悄话"感觉，像妈妈趴在床边耳语。

Pace:
缓——慢——的节奏，像摇篮轻轻晃动。
句与句之间留有足够的停顿，让小朋友的想象力跟上画面。
语调渐渐走低、变轻，像一条小溪慢慢流进梦乡。
关键的可爱词汇轻轻上扬，如"小~兔子""软~绵绵""亮晶晶~"

Accent: 标准而柔和的普通话，咬字清晰但不生硬，带有天然的"妈妈音"——圆润、包容、甜而不腻。

SAMPLE CONTEXT
月亮姐姐适合用于：儿童睡前故事音频、冥想引导、亲子类播客、儿童有声读物，或任何需要"安心入睡"氛围的内容。

TRANSCRIPT
（轻柔地）好啦，小宝贝……被子盖好了吗？今天呀，月亮姐姐要给你讲一个——小星星找妈妈的故事。
（停顿，声音更轻）从前呢，在很远很远的天上，住着一颗小~星星。它呀，是天空中最小最小的那一颗，亮晶晶的，就像你眼睛里闪闪的光。
有一天晚上呢，小星星一不小心，从云朵做的小床上——滚了下来。（轻轻的）"咕噜噜，咕噜噜……"它滚呀滚，滚到了一片软~绵绵的棉花云上。
"妈妈？妈妈在哪里呀？"小星星眨了眨眼睛，四周都是白白的云，好安静呀……
（声音渐渐变得更轻、更慢）可是它一点都不害怕。你知道为什么吗？因为啊……月亮妈妈一直在天上，轻轻地、轻轻地看着它呢……就像现在，有人在轻轻地、轻轻地……看着你……
（近乎耳语）闭上眼睛吧，小宝贝……小星星找到妈妈了……你也要去找你的梦了……晚安……

示例二：32年老刑警的悬疑独白

效果评价：成功营造出广播剧式的悬疑氛围。语速偏慢、情绪压抑，关键句子带有停顿和气声，能稳定地呈现“克制的恐怖感”。

示例三：深夜食堂的烟火气独白

效果评价：语速适中、略带笑意、偶尔拉长尾音，呈现出一种“回家了”的温暖与松弛感。

示例四：电竞解说（情绪递进爆发）

效果评价：完美呈现“前期紧张克制 → 中段语速加快 → 团战情绪爆发 → 最后略带沙哑的兴奋感”的节奏曲线，非常接近真人解说。

二、Gemini 2.5 TTS 核心特点

模型版本

Gemini 2.5 TTS 分为 Flash 和 Pro 两个版本，核心能力包括：

特性	说明
风格控制	通过自然语言指导音频的风格、口音、节奏和语调
语速调节	可根据场景需求灵活调整
多角色对话	最多支持 2 个说话人
语音选项	提供约 30 种音色
上下文窗口	32K Token

语言支持

官方列出的 24 种支持语言中虽然没有明确标注中文，但实际体验下来，对中文（普通话）的支持相当出色，包括口语化表达都能处理得很自然。

与传统 TTS 的核心区别

传统 TTS 的工作模式通常是“选择音色 + 输入文本”。而 Gemini 原生 TTS 的底层是大型语言模型（LLM），它能根据你提供的提示词深入理解 “该如何表达”，这属于 人工智能 技术在语音合成领域的深度应用。具体包括：

• 情绪曲线的精细控制
• 气息变化的自然处理
• 停顿和重音的精准把握
• 整体氛围的主动营造

三、提示词构建方法与工程实践

要让 Gemini TTS 发挥最佳效果，构建高质量的提示词至关重要，这本质上是一种 提示词工程。

一个完整的 TTS 提示词通常包含以下部分：

情绪标注技巧

在转录文本中，可以使用括号来标注情绪和表演指示，例如：

• （轻声微笑）
• （语速放慢）
• （停顿两秒）

Gemini 会自动识别这些括号内的内容（不会朗读出来），并据此调整语音的情感表达。虽然不能做到百分百精确匹配，但整体效果已经相当出色。

实用技巧

无需特别记忆复杂的提示词格式。你可以直接参考 Gemini 官方文档中的示例，然后将其发送给其他大语言模型（如 Claude），让它帮你生成针对特定场景的定制化提示词。官方文档地址：https://ai.google.dev/gemini-api/docs/speech-generation?hl=zh-cn

四、AI Studio 使用指南

基本流程

1. 进入 ai.dev 首页。
2. 选择 Audio 能力。
3. 选择 Gemini 2.5 Pro TTS 模型。

界面说明

进入 TTS 页面后，你会看到以下主要区域：

• 风格指示区域：用于描述整段音频的整体气质和场景。
• Speaker 1 / Speaker 2：两个独立的说话人配置选项，支持构建多人对话场景。也可切换回单人模式。

预制应用

AI Studio 提供了一个非常实用的预制应用 synergy_intro，链接为：https://aistudio.google.com/app/apps/bundled/synergy_intro

• 左侧：可选择不同的音频类型（如 Podcast、电台、电影预告、睡前故事等），点击即可查看对应的系统提示词模板。

• 右侧：显示支持的语言列表（包括普通话）。每个音频示例旁都标注了推荐的音色和性别信息，方便快速试用。

双人对话示例

通过为不同说话人设置独立的音色和提示，可以实现年龄感、语气截然不同的角色分离，非常适合制作对话类内容。这种通过 云原生 平台提供的 API 和服务，能够高效完成复杂的语音合成任务。

五、推荐音色速查表

场景类型	推荐音色	特点
睡前故事 / ASMR	Vindemiatrix	温柔、细腻、有强烈的“哄睡感”
Podcast	Zubenelgenubi	自然、亲和，适合长时间聆听
电台广播	Vindemiatrix	声音舒适、听感专业
悬疑故事 / 电影风格	Algieba	富有张力、氛围感强

提示：官方预制应用已经完成了初步的“音色-场景”匹配，直接点选即可试听，非常方便。

六、总结

Gemini 2.5 TTS 真正强大的地方在于：给定同一段文本，它能根据你撰写的音频档案、场景描述和导演笔记，产出风格迥异却同样自然的声音表现。

如果你愿意投入时间细致打磨提示词，将角色定位、氛围营造和情绪节奏都描述清晰，那么 Gemini 2.5 TTS 完全有潜力成为一个可以长期、稳定复用的“虚拟配音演员”，为各类音频内容创作提供强大助力。