Gemini 文本转语音

使用Google Gemini TTS从文本生成自然、富有表现力的语音。支持70多种语言、30种预制语音，通过自然语言提示和音频标签控制风格。

要求： Node.js 18+、ffmpeg、@google/genai npm 包、GEMINI_API_KEY 环境变量。

可用脚本

scripts/generate-tts.mjs — 一站式TTS生成器，支持单次请求一致性、基于静音的拆分以及自动裁剪。

快速开始

单段文本转语音

npm install @google/genai
GEMINI_API_KEY=your-key node scripts/generate-tts.mjs \
  --text "Hello, welcome to our product!" \
  --output-dir public/vo \
  --voice Kore

多段画外音（一致的语音）

创建一个 segments.json 文件：

[
  { "id": "intro", "text": "Welcome to our product launch." },
  { "id": "features", "text": "Here are the three features you will love." },
  { "id": "close", "text": "Get started today at our website." }
]

运行：

GEMINI_API_KEY=your-key node scripts/generate-tts.mjs \
  --segments segments.json \
  --output-dir public/vo \
  --voice Kore \
  --director-notes "Tone: Warm, confident, inspiring. Style: Professional narrator with a vocal smile. Accent: Neutral American English. Pacing: Moderate."

输出（JSON 到标准输出）：

{
  "success": true,
  "segments": [
    { "id": "intro", "file": "public/vo/vo-intro.mp3", "duration": 3.25 },
    { "id": "features", "file": "public/vo/vo-features.mp3", "duration": 4.10 },
    { "id": "close", "file": "public/vo/vo-close.mp3", "duration": 2.80 }
  ],
  "totalDuration": 10.15,
  "fullAudioFile": "public/vo/vo-full.wav"
}

脚本选项

标志	默认值	描述
`--segments FILE`	—	JSON 文件，包含 `[{id, text}]` 段定义
`--text TEXT`	—	要生成的单段文本（替代 `--segments`）
`--output-dir DIR`	—	音频文件输出目录（必填）
`--voice NAME`	`Kore`	预制语音名称（参见语音表）
`--model NAME`	`gemini-3.1-flash-tts-preview`	Gemini TTS 模型 ID
`--director-notes TEXT`	—	表演指导：风格、节奏、口音、呼吸、发音。不控制性别/年龄（使用 `--voice` 控制）。
`--retries N`	`3`	API 错误的最大重试次数
`--trim` / `--no-trim`	`--trim`	裁剪段边界处的静音
`--format FORMAT`	`mp3`	输出格式：`mp3` 或 `wav`

退出码

码	含义
0	成功
1	缺少必需的参数或环境变量
2	重试耗尽后 API 错误
3	ffmpeg 未安装或处理失败
4	文件 I/O 错误

工作原理（多段）

Gemini TTS 不保证跨不同 API 请求的语音一致性。脚本通过以下方式解决：

将所有段合并到一个提示中，段之间使用 [3秒暂停] 标记
在单个 API 调用中生成一个连续的音频文件
使用 ffmpeg 的 silencedetect 检测静音间隙，采用自适应阈值（从 noise=-35dB, d=1.5s 开始，逐步放宽）。如果找到精确匹配，直接使用。如果发生阈值跳跃（段数太少 → 太多），则用更快的语音节奏重新生成音频，使段间暂停更明显，然后重试检测。
在静音中点拆分，生成单独的段文件
裁剪每个段的残余静音填充（约每侧 1.5 秒），保留 0.15 秒呼吸空间

模型

模型	最适合的场景
`gemini-3.1-flash-tts-preview`	最新、最可控、超过 200 个音频标签（默认）
`gemini-2.5-flash-preview-tts`	快速、质量良好、通用用途
`gemini-2.5-pro-preview-tts`	最高质量、复杂表演

语音

30 种预制语音：

语音	性别	特点	音高
Achernar	女	柔和	较高
Achird	男	友好	较低中
Algenib	男	沙哑	较低
Algieba	男	平滑	较低
Alnilam	男	坚定	较低中
Aoede	女	轻快	中
Autonoe	女	明亮	中
Callirrhoe	女	随和	中
Charon	男	信息性	较低
Despina	女	平滑	中
Enceladus	男	有气息	较低
Erinome	女	清晰	中
Fenrir	男	兴奋	较低中
Gacrux	女	成熟	中
Iapetus	男	清晰	较低中
Kore	女	坚定	中
Laomedeia	女	乐观	较高
Leda	女	年轻	较高
Orus	男	坚定	较低中
Puck	男	乐观	中
Pulcherrima	男	前向	中
Rasalgethi	男	信息性	中
Sadachbia	男	生动	较低
Sadaltager	男	博学	中
Schedar	男	平稳	较低中
Sulafat	女	温暖	中
Umbriel	男	随和	较低中
Vindemiatrix	女	温柔	中
Zephyr	女	明亮	较高
Zubenelgenubi	男	随意	较低中

导演指导 (`--director-notes`)

针对所选语音的表演指导。只定义重要的内容——过多指定会限制模型的创造力并可能降低效果。

最常见的三种指导是风格、节奏和口音，但您也可以包含任何与表演相关的自定义指令。

风格 — 情感质量和表达特点。要描述性："Infectious enthusiasm — the listener should feel part of something exciting" 比单纯的 "energetic" 效果更好。您可以叠加特征，并使用配音行业术语如“声音微笑”。
节奏 — 整体速度和节奏变化。可以从 "Speak as fast as possible" 到 "Incredibly slow and liquid, words bleed into each other, zero urgency"。
口音 — 要具体。"British English as heard in Croydon, England" 比 "British accent" 效果好得多。

--director-notes "Style: Enthusiastic and sassy GenZ beauty YouTuber. Pacing: Extremely fast, rapid delivery like short-form video influencers. Accent: Southern California valley girl from Laguna Beach."

音频标签

在段文本中使用内联 [括号] 进行逐词控制。可本地覆盖导演指导。

[whispers] [shouting] [excited] [serious] [short pause] [laughs] [very fast] [very slow] [sarcastic] [curious]

创意标签也有效：[like dracula]、[whispering conspiratorially]

示例："[excited] This changes everything! [short pause] Let me show you how."

参考

提示指南 — 针对风格、情感和口音的高级提示工程

memex-lab/product-launch-video-skill

product-launch-video-skill 是什么？

在你喜欢的 AI 中提问

文档