Gemini 3.8 TTS 试玩台

原文要点

Simon Willison 介绍了 Google 当天发布的两个 Gemini 文本转语音模型 gemini-3.8-flash-tts 与 gemini-3.8-flash-lite-tts，官方称有 2000 多种声音，并支持用约 30 秒有权使用的音频样本创建自定义声音。作者用 GPT-6 Astra 编写了自带 API key 的 TTS Playground，利用 Gemini API 开放的 CORS 策略直接在浏览器调用，可做单声部叙述或多角色对话、预览音频、查看请求响应、把设置存成可分享 URL。作者称用 Flash TTS 约 20 秒生成 1 分 18 秒音频、花费 2.74 美分（作者单方数据）。

这次做成什么

在你自己的浏览器里用 Gemini API key 跑通这个 TTS 试玩台：先做单声部播报，再做一段双角色对话，把台词脚本模板化，最后把参数存成书签 URL 方便复现。

准备什么

• 一个可用的 Google Gemini API key（在 Google AI Studio 创建，注意保管不要外泄）
• 可访问 Gemini API 的网络环境和现代浏览器
• 一段你自己撰写或有权使用的文字素材

具体怎么做

1. 准备 API key

   到 Google AI Studio 创建或复制一个 Gemini API key。Playground 是自带 key 模式，key 只在你浏览器里发往 Gemini API，但不要在公共电脑上留存。

2. 打开试玩台并做单声部测试

   打开原文链接中的 Gemini 3.8 TTS Playground，在 API key 输入框粘贴密钥。选择单个声音，输入一句 30 字以内的中文台词，点击生成，确认能预览播放并看到下方的请求与响应详情。

3. 配置多角色对话

   切到多说话人模式，为角色甲、角色乙分别选不同声音，并给每个角色写一句风格指令（如语速、情绪）。把下方 artifacts 里的双角色提示词按需替换后作为脚本来源，用 AI 生成带说话人标签的台词，再粘贴进对应字段。

4. 核对模型与成本

   在请求详情里确认所用模型是 gemini-3.8-flash-tts 还是更便宜的 lite 版；长文本先用短句试，确认效果后再放大，避免浪费额度。

5. 保存分享 URL

   调好参数后使用 Save to URL 一类功能把当前配置编码进地址栏，复制该 URL 存入书签；下次打开即还原同样的声音与台词设置。

可直接复制的材料

请为一段约 60 秒的语音对话写脚本，场景：两位社区图书馆志愿者讨论是否把周六的亲子阅读活动搬到户外草坪。角色甲叫林姐，主张搬到户外，语气热情、语速稍快；角色乙叫老周，担心天气和音响，语气沉稳、句子较短。要求：1) 每人 4 到 5 句，交替发言；2) 每行格式为「角色名：台词」，不要任何旁白和动作描写；3) 台词口语化，每句不超过 40 字；4) 结尾给出两人达成一致的一句话结论。

林姐：这周天气预报全是晴天，咱们把亲子阅读搬到草坪上吧！
老周：草坪是好，可音响怎么办，线拉不过去。
林姐：我借了个便携音箱，充一次电能用一整天。
老周：那行，再备个方案，万一起风就回室内。
林姐：成，海报我今晚改，写上户外活动。
老周：好，就这么定，周六草坪见。

输入与输出示例

本站虚构演示，非原作者运行结果，时长与听感为预期描述，未实测。

输入

将上述双角色台词粘贴进 Playground，林姐选声音 A（风格指令：热情、语速稍快），老周选声音 B（风格指令：沉稳、句子短），模型选 gemini-3.8-flash-tts。

对应输出

生成一段约 40 秒的对话音频，能听出两个音色交替：林姐部分语调上扬、节奏快，老周部分平缓；请求详情中可见 multi-speaker 配置与所用模型名，设置保存为一段含参数的可分享 URL。

做完检查这些

• 粘贴 API key 后短句测试能返回可播放音频，且请求详情里能看到实际调用的模型名
• 多角色模式下两个声音可区分，台词与角色一一对应、无串声
• 保存的 URL 在新标签页打开后能还原相同的声音与台词配置
• 切换 lite 模型后请求详情中模型名相应变化

容易卡住的地方

• key 直接在浏览器使用，公共设备上用完要清除，避免泄露产生费用
• 自定义声音功能要求上传者拥有该声音的使用权，不要上传他人音频
• 作者给出的 20 秒生成与 2.74 美分是其单次体验，实际耗时和费用随文本长度与计费政策变化
• 长文本建议分段生成，一次过长可能超时或截断