Gemini 3.8 TTS 把语气指令也念出来？把朗读要求移到语音元数据

使用 Gemini 3.8 Flash TTS 时，需要念出的文字写进台词，持续的朗读方式写进语音元数据。 如果把“平静地说”放进模型按字面朗读的文本，它也可能成为音频内容。Gemini 3.8 Flash TTS 迁移文档明确区分台词和朗读元数据。

Google 在 2026 年 9 月 22 日的 API 更新日志公布了新 TTS 模型。本文提供依据文档编写的 Interactions REST API 迁移示例。请求结构和解码逻辑可以在本地检查，但本文不声称完成真实听音测试、证实音质提升，或确认 Ofox 当前支持该端点。

把“说什么”和“怎么说”分开

即使要求很短，也应保持这种区分，方便检查请求，避免把指令当作台词。如果角色本来就要说“平静地说”这几个字，它们才应该出现在台词中。

模型文档还描述了特定时间点的发声事件。不要假定所有旧提示标签或任意注解都受支持，应查所选模型和 API 类型的当前参考文档。

请求与响应保持同一种 API 格式

以下示例使用 Interactions API。不要把它的 input 数组与 annotations 塞进 GenerateContent 请求，也不要混用旧 SDK 示例的字段。官方语音生成指南是本请求格式的参考来源。

保存为 request.json。示例台词为英文，方便与源文档结构对照，不代表中文发音已经过测试：

{
  "model": "gemini-3.8-flash-tts",
  "input": [{
    "type": "user_input",
    "content": [{
      "type": "text",
      "text": "The next train leaves at noon.",
      "annotations": [{
        "type": "speech_metadata",
        "style": "calm and clear"
      }]
    }]
  }],
  "response_format": {"type": "audio"},
  "generation_config": {
    "speech_config": [{"voice": "Kore"}]
  }
}

拥有授权的 Google 直连账号可按下面的格式发起请求：

curl --fail-with-body --silent --show-error \
  'https://generativelanguage.googleapis.com/v1beta/interactions' \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H 'Content-Type: application/json' \
  --data-binary @request.json > response.json

通过环境变量安全传入自己的 Key。运行命令会请求供应商 API，可能产生用量费用。本地 JSON 解析通过，不证明账号有模型权限，也不证明供应商已接受请求。

这是单说话人示例。官方多说话人配置有不同结构，不能随意把上述 speech_config 数组改成自己设计的对话 schema。对话各轮的说话人必须与配置相匹配。

先检查响应，再解码音频

保存进 response.json 的 HTTP 错误不是音频。解码 base64 前，先检查 HTTP 结果和响应结构。Interactions REST 响应应查看 model_output 步骤里的 content 块，不要假设 SDK 便捷属性 output_audio 一定存在于原始 JSON。

稳妥的解码器应完成四件事：

1. 识别并拒绝错误响应，不把错误写成音频文件。
2. 从 model_output 步骤选择音频内容，忽略文本和工具内容。
3. 根据返回的 MIME 类型选择扩展名。
4. 解码 base64，保留实际封装格式。

迁移指南说明，非流式输出默认采用 WAV。不要直接套用旧版原始 PCM 示例，再加一次 WAV 文件头；重复文件头可能破坏已有的有效 WAV。如果主动请求其他格式，就按实际 MIME 类型和封装处理，不能只改文件后缀。

第一次迁移测试尽量小

先用单个说话人、一小段台词和一个朗读要求。检查是否漏字、是否多念了指令、发音是否正确，以及有没有意外变声。将请求、模型 ID、时间和输出文件一起保存。这些是建议执行的验收项目，不是本文已经取得的结果。

确认后再加长台词或增加说话人。每次只变一个条件：如果同时移动指令、换音色、拆脚本和切换 API 格式，就很难定位失败原因。

配音用于视频前，应逐字核对音频与台词。不露脸视频制作指南介绍更完整的制作流程。TTS 迁移只是其中一步，并不保证时长、发音或特定声音的使用授权。

换供应商之前核对什么

OpenAI 兼容的文本端点，不等于支持 Google Interactions API 或其语音元数据字段。检查供应商专门的音频路由、精确模型 ID 和输出格式。本文的 Google 直连示例不是 Ofox 端点配置。

选择模型与迁移 API 格式是两件事。Gemini 3.8 Flash-Lite TTS 是相关产品，但替换模型字符串前，必须按它自己的文档确认支持与行为。多模态 API 概览（英文）可提供背景，不能取代供应商当前文档。