谷歌发布Gemini 3.1 Flash TTS，引入精细音频标签
谷歌推出了gemini 3.1 flash tts，这是一个通过音频标签提供精细控制的文本转语音模型。它支持70多种语言，具有原生多说话人对话功能，并包含用于安全防护的synthid水印。该模型在artificial analysis tts基准测试中获得了1,211分的elo评分，现可通过gemini api、vertex ai和google vids进行预览。
谷歌发布了Gemini 3.1 Flash TTS，这是一个强调可控性和表现力的文本转语音模型。该模型引入了“音频标签”，这是一种自然语言命令，允许开发者指导单人或多人对话的语音风格、节奏和表达方式。在Gemini API、Vertex AI和Google Vids上提供预览，该系统支持超过70种语言，并采用SynthID水印检测AI生成内容。Artificial Analysis的基准测试对该模型给予了很高的评价，其Elo得分为1,211，位居“最具吸引力象限”的质量和成本平衡点。