Google 會運用 AI 技術將內容翻譯成你偏好的語言，但可能會出錯。

使用 Gemini TTS 生成語音

Gemini 文字轉語音 (TTS) 模型可將文字轉換為單人或多人音訊。您可以使用結構化對話中繼資料 (speech_metadata) 和內嵌語音標記，控制音訊的風格、口音、語速和語氣。

本頁說明如何使用 Gemini Enterprise API 的 generateContent 和 streamGenerateContent 方法，透過下列模型生成語音：

Gemini 3.8 Flash TTS (gemini-3.8-flash-tts)
Gemini 3.8 Flash-Lite TTS (gemini-3.8-flash-lite-tts)

TTS 模型專為精確朗讀文字而設計，可精細控制風格和聲音，例如旁白、有聲書和語音代理回覆。如要透過音訊輸入和輸出進行互動式即時對話，請改用 Live API。

如果您使用的是舊版 Gemini TTS 模型 (例如 gemini-3.1-flash-tts-preview)，請參閱遷移指南。

如要試用單人語音生成功能，而不編寫程式碼，請在 Agent Studio 中開啟 Gemini 3.8 Flash TTS：

在 Agent Studio 試用 Gemini 3.8 TTS

支援的模型

模型	單一說話者	多位說話者	串流	語音設計 (預先發布版)	語音複製 (預先發布版)
Gemini 3.8 Flash TTS (`gemini-3.8-flash-tts`)
Gemini 3.8 Flash-Lite TTS (`gemini-3.8-flash-lite-tts`)
Gemini 3.1 Flash TTS 預先發布版 (`gemini-3.1-flash-tts-preview`)
Gemini 2.5 Pro TTS (`gemini-2.5-pro-tts`)
Gemini 2.5 Flash TTS (`gemini-2.5-flash-tts`)

本頁面的範例和功能適用於 Gemini 3.8 TTS 模型。如要瞭解早期模型，請參閱Google Cloud Text-to-Speech 說明文件中的「Gemini-TTS」。

各模型的使用時機

兩個 Gemini 3.8 TTS 模型共用相同的要求結構定義和提示格式，因此只要變更模型 ID，即可切換模型：

如果最重視音質、細膩的語音表現和生動的控制，請使用 Gemini 3.8 Flash TTS (gemini-3.8-flash-tts)。適合用於錄音室等級的創意作品、複雜的多人對話、頻繁出現的語音爆發標記、難以發音的字詞、地區或少數方言，以及需要穩定語音和空間音調的長篇旁白。
使用 Gemini 3.8 Flash-Lite TTS (gemini-3.8-flash-lite-tts) ，快速且符合成本效益地處理正式環境工作負載。建議用來取代 gemini-3.1-flash-tts-preview，適合大量批次生成、對話式語音代理串接、內容朗讀、語音複製，以及主要語言的日常單一說話者語音。

事前準備

設定專案並啟用 Gemini Enterprise API。
為開發環境設定應用程式預設憑證。
如要使用 Python 範例，請安裝 2.33.0 以上版本的 Google Gen AI SDK：
```
pip install --upgrade "google-genai>=2.33.0"
```

可用位置和區域端點

Gemini 3.8 TTS 模型適用於 global 位置，以及 us 和 eu 多區域位置：

位置	位置參數	端點
全球	`global`	`https://aiplatform.googleapis.com`
美國 (多區域)	`us`	`https://aiplatform.us.rep.googleapis.com`
歐盟 (多區域)	`eu`	`https://aiplatform.eu.rep.googleapis.com`

如要將要求導向區域端點，請在 SDK 中初始化用戶端時設定 location="us" (或 location="eu")，或將要求傳送至對應的多區域主機名稱 (https://aiplatform.us.rep.googleapis.com 或 https://aiplatform.eu.rep.googleapis.com)，並在 REST 網址中加入相符的位置路徑：

Python

from google import genai

# Set location to 'us' or 'eu' for multi-region routing (or 'global' for global)
client = genai.Client(
    enterprise=True,
    project="PROJECT_ID",
    location="us",
)

response = client.models.generate_content(
    model="gemini-3.8-flash-tts",
    contents=[{
        "role": "user",
        "parts": [{
            "text": "Have a wonderful day!",
            "speech_metadata": {"style": "cheerful and friendly"},
        }],
    }],
    config={
        "response_modalities": ["AUDIO"],
        "speech_config": {"voice_config": {"voice": "Kore"}},
    },
)

with open("out.wav", "wb") as f:
    f.write(response.candidates[0].content.parts[0].inline_data.data)

REST

curl -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  https://aiplatform.us.rep.googleapis.com/v1/projects/PROJECT_ID/locations/us/publishers/google/models/gemini-3.8-flash-tts:generateContent \
  -d '{
    "contents": [{
      "role": "user",
      "parts": [{
        "text": "Have a wonderful day!",
        "speechMetadata": {"style": "cheerful and friendly"}
      }]
    }],
    "generationConfig": {
      "responseModalities": ["AUDIO"],
      "speechConfig": {
        "voiceConfig": {"voice": "Kore"}
      }
    }
  }' | jq -r '.candidates[0].content.parts[0].inlineData.data' | base64 --decode > out.wav

單一說話者 TTS

如要將文字轉換為單一說話者的音訊，請在 parts[].text 中傳遞逐字稿，在 parts[].speech_metadata 中新增選用的語音層級樣式，並在 speechConfig.voiceConfig.voice 中設定語音。voice 欄位接受預建語音名稱、Extended Voice Library 語音 ID，或設計/複製語音的 ID (voice_...) (或選用的無狀態 voicekey_... 鍵)。

根據預設，一元要求會傳回完整的 WAV 檔案 (16 位元 PCM、24 kHz、單聲道)，因此您可以直接將音訊位元組寫入 .wav 檔案。串流要求則會傳回原始 PCM 區塊。如需詳細資料和其他編碼，請參閱「音訊輸出格式」。

控制台

在 Agent Studio 中開啟 Gemini 3.8 Flash TTS 或 Gemini 3.8 Flash-Lite TTS。
在設定面板中，選擇預先建立的「語音」、「語言」 (或保留「自動偵測」)，以及選用的「風格」說明 (例如 cheerful and friendly)。
在提示詞輸入框中輸入要朗讀的轉錄稿，然後提交，即可生成、播放或下載 WAV 音訊。按一下「Get code」(取得程式碼)，將要求匯出為 Python、JavaScript 或 curl。

Python

from google import genai

client = genai.Client(enterprise=True, project="PROJECT_ID", location="global")

response = client.models.generate_content(
    model="gemini-3.8-flash-tts",
    contents=[{
        "role": "user",
        "parts": [{
            "text": "Have a wonderful day!",
            "speech_metadata": {"style": "cheerful and friendly"},
        }],
    }],
    config={
        "response_modalities": ["AUDIO"],
        "speech_config": {"voice_config": {"voice": "Kore"}},
    },
)

# The SDK has already decoded the base64 audio, so inline_data.data is a
# complete WAV file by default.
with open("out.wav", "wb") as f:
    f.write(response.candidates[0].content.parts[0].inline_data.data)

REST

curl -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  https://aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/global/publishers/google/models/gemini-3.8-flash-tts:generateContent \
  -d '{
    "contents": [{
      "role": "user",
      "parts": [{
        "text": "Have a wonderful day!",
        "speechMetadata": {"style": "cheerful and friendly"}
      }]
    }],
    "generationConfig": {
      "responseModalities": ["AUDIO"],
      "speechConfig": {
        "voiceConfig": {"voice": "Kore"}
      }
    }
  }' | jq -r '.candidates[0].content.parts[0].inlineData.data' | base64 --decode > out.wav

單一說話者串流 TTS

如要在模型合成音訊時接收音訊，請使用 streamGenerateContent 方法。串流回應會傳回無標頭的原始 16 位元 PCM 區塊 (24 kHz，單聲道)，因此您可以在每個區塊送達時，將其傳遞至播放器、通訊端或其他音訊管道。在下列 Python 範例中，emit_audio 函式代表該目的地。

Python

from google import genai

client = genai.Client(enterprise=True, project="PROJECT_ID", location="global")

def emit_audio(pcm: bytes) -> None:
    """Sends a chunk of raw 16-bit PCM audio (24 kHz, mono) downstream."""
    # Replace with your audio destination, such as a player, a WebSocket,
    # or a telephony stream.
    print(f"Received {len(pcm)} bytes of audio")

response_stream = client.models.generate_content_stream(
    model="gemini-3.8-flash-lite-tts",
    contents=[{
        "role": "user",
        "parts": [{
            "text": "Have a wonderful day!",
            "speech_metadata": {"style": "cheerful and friendly"},
        }],
    }],
    config={
        "response_modalities": ["AUDIO"],
        "speech_config": {"voice_config": {"voice": "Kore"}},
    },
)

for chunk in response_stream:
    if not chunk.candidates or not chunk.candidates[0].content:
        continue
    for part in chunk.candidates[0].content.parts or []:
        if part.inline_data and part.inline_data.data:
            emit_audio(part.inline_data.data)

REST

curl -N -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  "https://aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/global/publishers/google/models/gemini-3.8-flash-lite-tts:streamGenerateContent?alt=sse" \
  -d '{
    "contents": [{
      "role": "user",
      "parts": [{
        "text": "Have a wonderful day!",
        "speechMetadata": {"style": "cheerful and friendly"}
      }]
    }],
    "generationConfig": {
      "responseModalities": ["AUDIO"],
      "speechConfig": {
        "voiceConfig": {"voice": "Kore"}
      }
    }
  }' | sed -n 's/^data: //p' \
    | jq -r '.candidates[0].content.parts[0].inlineData.data // empty' \
    | while read -r chunk; do echo "$chunk" | base64 --decode; done > streamed.pcm

streamed.pcm 檔案包含原始 16 位元 PCM 音訊，頻率為 24 kHz，單聲道。

多位說話者 TTS

如要處理兩位說話者的對話，請在 speechConfig.multiSpeakerVoiceConfig.speakerVoiceConfigs 中設定這兩位說話者。接著，將每個回合做為獨立的 part 傳遞，將每個回合的 speech_metadata.speaker 設為其中一個已設定的說話者名稱，並新增選用的回合層級 style。

多位說話者要求只能有兩位說話者。

Python

from google import genai

client = genai.Client(enterprise=True, project="PROJECT_ID", location="global")

response = client.models.generate_content(
    model="gemini-3.8-flash-tts",
    contents=[{
        "role": "user",
        "parts": [
            {
                "text": "How's it going today, Jane?",
                "speech_metadata": {"speaker": "Joe", "style": "cheerful and friendly"},
            },
            {
                "text": "Not too bad, how about you? Ready to test these new voices?",
                "speech_metadata": {"speaker": "Jane", "style": "calm and relaxed"},
            },
        ],
    }],
    config={
        "response_modalities": ["AUDIO"],
        "speech_config": {
            "multi_speaker_voice_config": {
                "speaker_voice_configs": [
                    {"speaker": "Joe", "voice_config": {"voice": "Puck"}},
                    {"speaker": "Jane", "voice_config": {"voice": "Kore"}},
                ]
            }
        },
    },
)

with open("dialogue.wav", "wb") as f:
    f.write(response.candidates[0].content.parts[0].inline_data.data)

REST

curl -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  https://aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/global/publishers/google/models/gemini-3.8-flash-tts:generateContent \
  -d '{
    "contents": [{
      "role": "user",
      "parts": [
        {
          "text": "How'\''s it going today, Jane?",
          "speechMetadata": {"speaker": "Joe", "style": "cheerful and friendly"}
        },
        {
          "text": "Not too bad, how about you? Ready to test these new voices?",
          "speechMetadata": {"speaker": "Jane", "style": "calm and relaxed"}
        }
      ]
    }],
    "generationConfig": {
      "responseModalities": ["AUDIO"],
      "speechConfig": {
        "multiSpeakerVoiceConfig": {
          "speakerVoiceConfigs": [
            {"speaker": "Joe", "voiceConfig": {"voice": "Puck"}},
            {"speaker": "Jane", "voiceConfig": {"voice": "Kore"}}
          ]
        }
      }
    }
  }' | jq -r '.candidates[0].content.parts[0].inlineData.data' | base64 --decode > dialogue.wav

多位說話者串流 TTS

多語者要求也支援串流。使用與多位說話者文字轉語音相同的要求，並搭配 streamGenerateContent 方法。

Python

from google import genai

client = genai.Client(enterprise=True, project="PROJECT_ID", location="global")

def emit_audio(pcm: bytes) -> None:
    """Sends a chunk of raw 16-bit PCM audio (24 kHz, mono) downstream."""
    # Replace with your audio destination, such as a player, a WebSocket,
    # or a telephony stream.
    print(f"Received {len(pcm)} bytes of audio")

response_stream = client.models.generate_content_stream(
    model="gemini-3.8-flash-tts",
    contents=[{
        "role": "user",
        "parts": [
            {
                "text": "How's it going today, Jane?",
                "speech_metadata": {"speaker": "Joe", "style": "cheerful and friendly"},
            },
            {
                "text": "Not too bad, how about you? Ready to test these new voices?",
                "speech_metadata": {"speaker": "Jane", "style": "calm and relaxed"},
            },
        ],
    }],
    config={
        "response_modalities": ["AUDIO"],
        "speech_config": {
            "multi_speaker_voice_config": {
                "speaker_voice_configs": [
                    {"speaker": "Joe", "voice_config": {"voice": "Puck"}},
                    {"speaker": "Jane", "voice_config": {"voice": "Kore"}},
                ]
            }
        },
    },
)

for chunk in response_stream:
    if not chunk.candidates or not chunk.candidates[0].content:
        continue
    for part in chunk.candidates[0].content.parts or []:
        if part.inline_data and part.inline_data.data:
            emit_audio(part.inline_data.data)

REST

curl -N -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  "https://aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/global/publishers/google/models/gemini-3.8-flash-tts:streamGenerateContent?alt=sse" \
  -d '{
    "contents": [{
      "role": "user",
      "parts": [
        {
          "text": "How'\''s it going today, Jane?",
          "speechMetadata": {"speaker": "Joe", "style": "cheerful and friendly"}
        },
        {
          "text": "Not too bad, how about you? Ready to test these new voices?",
          "speechMetadata": {"speaker": "Jane", "style": "calm and relaxed"}
        }
      ]
    }],
    "generationConfig": {
      "responseModalities": ["AUDIO"],
      "speechConfig": {
        "multiSpeakerVoiceConfig": {
          "speakerVoiceConfigs": [
            {"speaker": "Joe", "voiceConfig": {"voice": "Puck"}},
            {"speaker": "Jane", "voiceConfig": {"voice": "Kore"}}
          ]
        }
      }
    }
  }' | sed -n 's/^data: //p' \
    | jq -r '.candidates[0].content.parts[0].inlineData.data // empty' \
    | while read -r chunk; do echo "$chunk" | base64 --decode; done > dialogue_streamed.pcm

dialogue_streamed.pcm 檔案包含原始 16 位元 PCM 音訊，頻率為 24 kHz，單聲道。

使用中繼資料和標記控制語音風格

Gemini 3.8 TTS 模型會將 text 欄位視為逐字稿。系統可能會朗讀文字中的指示，例如 "Say cheerfully: Hello!" 或 "Speaker 1: Hello!"。如要控管傳送作業，請依範圍拆分指令：

持續性語句層級傳達方式 (speech_metadata.style)：將適用於整個語句的情緒、傳達風格、韻律、語速和音量放入 speech_metadata.style。例如："style": "whispered urgently"、"style": "out of breath" 或 "style": "warm and enthusiastic"。
時間點事件 (內嵌標記)：在轉錄稿中，將短暫的非語音聲音和停頓放在角括號內。例如 "Wait... <short pause> did you hear that? <sigh>" 或 "Excuse me <cough> as I was saying..."。

如需更多指引，請參閱提示指南。

語音選項

Gemini 3.8 TTS 模型支援四種選取或建立語音的方式：

預建語音：30 種精選語音。
擴充語音庫：超過 2,000 種精選預設語音，涵蓋多種語言、地區口音和角色。
語音設計 (預先發布版)：使用 Voices API create 方法 (Google Gen AI SDK 中的 client.voices.create()，或 POST https://aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/global/voices)，根據自然語言說明建立自訂語音。將 type 設為 VOICE_TYPE_PROMPTED，並將 store 設為 true。回應會傳回儲存的 voice_... ID 和語音樣本。
語音複製 (預先發布版)：使用相同的 create 方法，從參考和同意聲明音訊複製說話者的聲音。將 type 設為 VOICE_TYPE_REPLICATED。使用 store: true 時，回應會傳回儲存的 voice_... ID。使用 store: false 時，會傳回無狀態 voicekey_... 鍵。

自訂語音限制和存留時間

語音類型	儲存模式	管理	有效期限
儲存的語音 (`voice_...`，設計或複製)	`store: true`	Voices API `list`、`get` 和 `delete` 方法	上次使用後 1 年
語音複製金鑰 (`voicekey_...`)	`store: false`	由應用程式管理。Google 不會保留金鑰。	建立後 7 天

使用儲存的語音生成語音時，會重新計算一年的保留期限，因此經常使用的語音不會過期。語音建立要求受限於每項專案每分鐘的配額。如果超出上限，create 方法會傳回 RESOURCE_EXHAUSTED 錯誤。詳情請參閱「配額和系統限制」。

資料儲存與保留

Google 會儲存您在建立儲存的語音時提供的輸入內容，以及從中衍生的語音構件，並與建立語音的Google Cloud 專案建立關聯。

當您根據說話者的錄音建立複製語音時，系統會儲存下列內容：

參考音訊：要複製語音的說話者樣本。
同意聲明音訊：說話者朗讀必要同意聲明的音訊。

在提示中使用文字描述語音，建立設計語音時，系統會儲存下列內容：

您撰寫的文字提示詞，用於描述語音。
根據提示生成的語音音訊，模型會將其做為語音參考。

設計的語音沒有同意聲明音訊，因為這是根據說明生成，而非根據真人錄音。

系統會儲存語音輸入內容，確保語音功能在模型更新後仍可正常運作。基礎模型更新時，系統會根據儲存的輸入內容重新生成語音構件。如果找不到語音的儲存輸入內容，就無法重新生成構件，且語音會在模型更新後停止運作。接著，您必須重新建立語音。

儲存的輸入內容僅用於在模型更新時重新生成語音。這些資料會以靜態資料加密，並與建立語音的專案隔離。

保留期限

自您上次使用語音合成語音起，語音和所有相關儲存資料最多會保留一年 (365 天)。這段期間從您建立語音時開始計算，並在您每次傳送使用該語音的合成要求時重設。如果語音超過 365 天未使用，系統會刪除該語音、儲存的輸入內容和衍生構件。

由客戶刪除

您隨時可以使用 Voices API delete 方法刪除聲音。刪除語音後，系統會刪除儲存的輸入內容和衍生構件。刪除擁有語音的 Google Cloud 專案，也會一併刪除語音，並遵循標準專案刪除程序。

預建語音

下表列出各個預建語音名稱和特色：

Achernar：柔和
Achird：友善
Algenib：礫石
Algieba：平滑
Alnilam：堅固
Aoede：輕快
Autonoe：明快
Callirrhoe：隨和
Charon：充實
Despina：柔和
Enceladus：氣音
Erinome：清晰
Fenrir：激昂
Gacrux：成熟
Iapetus：清晰
Kore：堅定
Laomedeia：歡快
Leda：年輕
Orus：Firm
Puck：歡快
Pulcherrima：積極
Rasalgethi：充實
Sadachbia：活潑
Sadaltager：博學
Schedar：偶數
Sulafat：暖色調
Umbriel：隨和
Vindemiatrix：溫柔
Zephyr：明快
Zubenelgenubi：隨性

擴充語音庫

除了 30 種預先建構的語音，擴充語音庫還提供超過 2,000 種精選預設語音，涵蓋多種語言、地區口音、角色人物，以及有聲書、對話式代理和新聞等用途。如要使用語音庫中的語音，請在 speechConfig.voiceConfig.voice 中傳遞其 ID，方法與傳遞預建語音名稱相同。

如要瀏覽程式庫，請呼叫 Voices API list 方法 (ListVoices)。這會傳回專案中儲存的自訂語音，接著傳回預先建構和擴充語音庫的語音。每個程式庫語音都包含 id 和中繼資料，例如 language_code、accent、gender、pitch、persona 和 description。如要縮小結果範圍，請使用下列篩選器：

type：語音來源：prebuilt 代表預建和程式庫語音、prompted 代表設計語音，或 replicated 代表複製語音。如果傳遞多個值，方法會傳回符合任一值的語音。
search：要比對的文字，不區分大小寫，會與每個語音的顯示名稱和說明進行比對。

以下範例會在程式庫中搜尋朗讀者語音：

Python

from google import genai

client = genai.Client(enterprise=True, project="PROJECT_ID", location="global")

response = client.voices.list(type_=["prebuilt"], search="narrator", page_size=50)
for voice in response.voices or []:
    print(voice.id, voice.language_code, voice.gender, voice.description)

REST

curl -G \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  https://aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/global/voices \
  --data-urlencode "type=prebuilt" \
  --data-urlencode "search=narrator" \
  --data-urlencode "pageSize=50"

list 方法每頁最多傳回 50 個語音。如要取得下一頁，請將回應中的 next_page_token 值做為 page_token 參數傳遞。

音訊輸出格式

預設音訊編碼取決於方法：

一元要求 (generateContent) 會傳回完整的 WAV 檔案 (audio/wav)，並附上 RIFF 標頭：16 位元 PCM、24 kHz、單聲道。
串流要求 (streamGenerateContent) 會傳回無標頭的原始 16 位元帶正負號小端序 PCM 區塊 (audio/l16)，取樣率為 24 kHz，單聲道。

如要要求其他編碼，請將 generationConfig.responseFormat 設為音訊格式。Gemini 3.8 TTS 模型支援下列 mimeType 值：

`mimeType` 值	格式	說明
`AUDIO_WAV` (一元預設)	WAV (`audio/wav`)	包含 RIFF 標頭的完整 WAV 檔案 (16 位元 PCM、24 kHz、單聲道)。
`AUDIO_L16` (串流預設值)	線性 PCM (`audio/l16`)	無標頭的原始 16 位元帶正負號小端序 PCM。適用於串流、自訂音訊管道，或串連多輪對話片段。
`AUDIO_MULAW`	μ-law (`audio/mulaw`)	G.711 μ-law 壓縮音訊 (8 kHz，單聲道)，常用於北美和日本的電話系統。
`AUDIO_ALAW`	A-law (`audio/alaw`)	G.711 A-law 壓縮音訊 (8 kHz，單聲道)，常用於歐洲和國際電話。

模型會忽略 sampleRate 欄位。無論回應 mimeType 中的速率為何，線性 PCM 和 WAV 輸出均為 24 kHz，μ-law 和 A-law 輸出則為 8 kHz。如果管道需要不同的取樣率，請在用戶端重新取樣輸出內容。

以下範例要求電話管道輸出 μ-law。Google Gen AI SDK for Python 不會在 GenerateContentConfig 中公開 responseFormat，因此 Python 範例會使用 http_options.extra_body 在要求主體中傳遞該參數。

Python

from google import genai

client = genai.Client(enterprise=True, project="PROJECT_ID", location="global")

response = client.models.generate_content(
    model="gemini-3.8-flash-tts",
    contents=[{"role": "user", "parts": [{"text": "Have a wonderful day!"}]}],
    config={
        "response_modalities": ["AUDIO"],
        "speech_config": {"voice_config": {"voice": "Kore"}},
        "http_options": {
            "extra_body": {
                "generationConfig": {
                    "responseFormat": [{"audio": {"mimeType": "AUDIO_MULAW"}}]
                }
            }
        },
    },
)

# The response is headerless μ-law audio at 8 kHz, mono.
with open("out.mulaw", "wb") as f:
    f.write(response.candidates[0].content.parts[0].inline_data.data)

REST

curl -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  https://aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/global/publishers/google/models/gemini-3.8-flash-tts:generateContent \
  -d '{
    "contents": [{"role": "user", "parts": [{"text": "Have a wonderful day!"}]}],
    "generationConfig": {
      "responseModalities": ["AUDIO"],
      "responseFormat": [{"audio": {"mimeType": "AUDIO_MULAW"}}],
      "speechConfig": {
        "voiceConfig": {"voice": "Kore"}
      }
    }
  }' | jq -r '.candidates[0].content.parts[0].inlineData.data' | base64 --decode > out.mulaw

支援的語言

Gemini 3.8 TTS 模型會自動偵測輸入語言。Gemini 3.8 Flash TTS 支援 130 種語言，Gemini 3.8 Flash-Lite TTS 支援 101 種語言：

語言	Gemini 3.8 Flash TTS	Gemini 3.8 Flash-Lite TTS
亞齊文 (阿拉伯字母)
南非荷蘭文
阿肯文
阿姆哈拉文
亞美尼亞文
阿薩姆文
阿瓦德語
峇里文
孟加拉文
班查文 (阿拉伯字母)
班查文 (拉丁字母)
巴什噶爾語
巴斯克文
白俄羅斯文
本巴語
博杰普爾文
波士尼亞文
布吉斯文
保加利亞文
緬甸文
粵語
加泰隆尼亞文
宿霧文
中庫德文
恰蒂斯加爾文
中文 (簡體中文)
中文 (繁體中文)
克里米亞韃靼語
克羅埃西亞文
捷克文
丹麥文
荷蘭文
迪烏拉文
宗喀語
埃及阿拉伯文
英文
愛沙尼亞文
菲律賓文
芬蘭文
法文
加里西亞文
干達文
喬治亞文
德文
希臘文
瓜拉尼文
古吉拉特文
海地克里奧爾文
喀爾喀蒙古文
豪薩文
希伯來文
北印度文
匈牙利文
冰島文
伊博文
伊洛果語
印尼文
伊朗波斯文
義大利文
日文
爪哇文
卡拜爾文
坎巴文
卡納達文
喀什米爾文 (阿拉伯文)
喀什米爾文 (天城體)
哈薩克文
高棉文
基庫猶文
盧安達文
剛果文
韓文
吉爾吉斯文
寮文
拉特加萊語
林格拉文
立陶宛文
盧森堡文
馬其頓文
摩揭陀文
邁蒂利文
馬拉雅拉姆文
馬耳他文
曼尼浦里文
馬拉地文
米南佳保文 (阿拉伯字母)
米南佳保文 (拉丁字母)
米佐文
尼泊爾文 (個別語言)
奈及利亞富拉文
北亞塞拜然文
北索托文
北烏茲別克文
挪威波克默爾文
挪威文 (耐諾斯克)
尼揚賈文
奧克文
奧里亞文 (個別語言)
邦阿西楠語
波斯文 (阿富汗)
波蘭文
葡萄牙文
旁遮普文
羅馬尼亞文
俄文
桑塔利文
塞爾維亞文
信德文
錫蘭文
斯洛伐克文
斯洛維尼亞文
索馬利文
南亞塞拜然文
南部普什圖文
塞索托文
西班牙文
標準阿拉伯文 (阿拉伯文)
標準阿拉伯文 (拉丁字母)
標準拉脫維亞文
標準馬來文
斯瓦希里文 (個別語言)
史瓦濟語
瑞典文
塔吉克文
泰米爾文
泰盧固文
泰文
蒂格里亞文
托斯克阿爾巴尼亞文
維吾爾文

限制

TTS 模型接受純文字輸入，並傳回純音訊輸出。
多位說話者要求只能有兩位說話者。如要在多角色對話中結合設計 (voice_...) 或複製 (voice_... 或 voicekey_...) 的語音，或使用兩個以上的說話者，請個別合成每位說話者的語音，然後串連音訊。請要求每個回合輸出 AUDIO_L16，或在串連片段前，先從每個片段中移除 WAV 標頭。
這些模型適用於 global、us 和 eu 位置。
使用者擁有的自訂語音 (透過語音設計或語音複製功能建立) 只能在 global 位置使用。
不支援系統指令。
你無法設定輸出取樣率。不支援 MP3 和 Ogg Opus 輸出。

後續步驟

請參閱提示詞指南，瞭解如何引導風格、節奏和語音。
使用語音設計 (預先發布版)，根據文字說明建立自訂語音。
使用語音複製 (預先發布版) 複製說話者的聲音。
如要查看模型規格，請前往 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 模型頁面。

使用 Gemini TTS 生成語音 透過集合功能整理內容 你可以依據偏好儲存及分類內容。

支援的模型

各模型的使用時機

事前準備

可用位置和區域端點

Python

REST

單一說話者 TTS

控制台

Python

REST

單一說話者串流 TTS

Python

REST

多位說話者 TTS

Python

REST

多位說話者串流 TTS

Python

REST

使用中繼資料和標記控制語音風格

語音選項

自訂語音限制和存留時間

資料儲存與保留

保留期限

由客戶刪除

預建語音

擴充語音庫

Python

REST

音訊輸出格式

Python

REST

支援的語言

限制

後續步驟

使用 Gemini TTS 生成語音