01
gemini-3-1-flash-tts
富有表现力的 Google TTS 模型，PoYo 价格为每 1000 字符 24 credits，即每 1000 字符 $0.12，支持 text、style_instructions、voice、language_code、speakers、temperature 和 output_format 控制。
Examples
定价详情
透明定价，无隐藏费用。按量付费，用多少付多少。
gemini-3-1-flash-ttsText to speech
PoYo价格
$0.120
24 积分
官方价格
$0.150
Reference
为你节省
20%
| 型号 | 规格 | PoYo价格 | 官方价格 | 为你节省 |
|---|---|---|---|---|
| gemini-3-1-flash-tts | Text to speech | $0.120 24 积分 per 1000 characters | $0.150 Reference | 20% |
* 实际费用以最终输出为准。
介绍
使用 高性价比的 Gemini 3.1 Flash TTS API，音频标签精准控声表现 的完整指南
高性价比的 Gemini 3.1 Flash TTS API，音频标签精准控声表现
在 PoYo 使用 Gemini 3.1 Flash TTS 构建自然的文本转语音流程。通过一个异步 API 使用音频标签、自然语言风格指令、Gemini 语音预设、双人对话和标准任务状态查询。适合生成播客对白、应用语音、课程旁白、本地化语音和角色音频。
PoYo 上可用的 Gemini 3.1 Flash TTS API 模型
体验 Playground
Gemini 3.1 Flash TTS 的核心优势
Gemini 3.1 Flash TTS 适合需要可控表达、多语种语音和对话音频的产品，不需要复杂的语音流水线即可完成高质量生成。
01
音频标签精细控制
在脚本中直接加入 [sigh]、[laughing]、[whispering]、[short pause] 等标签，引导情绪、停顿、语速和非语言表达，让一个 text 字段同时承载台词和表演方向。
- 控制情绪、节奏、停顿和非语言表达。
- 适合故事、产品视频、播客和角色台词。
- 让语音表现指令与脚本保持在同一处。
02
双人对话语音
为两个 speaker_id 分配不同 Gemini voice，并在 text 中用相同别名前缀标注台词。这样可以快速生成播客访谈、角色对话和助手对话。
- 创建主持人与嘉宾播客片段。
- 原型验证角色对白和助手对话。
- 为每个对话角色配置说话人别名和 voice。
你可以构建什么
01
播客与旁白
生成主持人口播、开场片段、有声书旁白和内容解说，并通过风格指令控制表达。
02
学习内容
将课程脚本、入门教程和培训材料转换成清晰的多语种语音。
03
角色对白
快速原型验证游戏台词、角色扮演流程、故事场景和双人对话。
04
产品本地化语音
为应用提示、客服消息、产品演示和无障碍体验生成多语言语音资产。
Gemini 3.1 Flash TTS 价格：PoYo vs fal.ai
PoYo 通过统一异步生成流程提供 Gemini 3.1 Flash TTS，和其它 PoYo 音频模型保持一致的提交、轮询和结果获取方式，并提供清晰的Fal.ai对比。
| 对比项 | PoYo | Fal.ai |
|---|---|---|
| 公开模型 ID | gemini-3-1-flash-tts | 不对外暴露 |
| Fal.ai | $0.12 / 1000 字符 | $0.15 / 1000 字符 |
| PoYo credits | 24 credits / 1000 字符 | N/A |
| 核心参数 | text, style_instructions, voice, language_code, speakers, temperature, output_format | 文本输入、风格、语音、语言、说话人、temperature 和格式控制 |
| 工作流 | 提交任务、查询标准状态、下载音频文件 | 参考队列工作流 |
PoYo 定价为每 1000 字符 24 credits。一个 credit 按 $0.005 计价。
如何在 PoYo 使用 Gemini 3.1 Flash TTS
- 获取 API Key：注册 PoYo 并在控制台创建 API Key。获取 API Key ->
- 编写 text：输入要朗读的 text，并按需加入 [laughing]、[sigh]、[whispering]、[short pause] 等音频标签。
- 选择语音设置：选择 Gemini voice，可选 language_code、style_instructions、temperature、output_format，或配置正好两个包含 speaker_id 和 voice 的 speakers。
- 提交并获取结果：通过 PoYo generate API 提交任务，再使用标准任务状态接口获取音频输出。查看 API 文档 ->
Gemini 3.1 Flash TTS 常见问题
Gemini 3.1 Flash TTS 是什么？
Gemini 3.1 Flash TTS 是 Google 的表现力文本转语音模型，可从文本生成自然的多语种音频，支持音频标签、自然语言风格指令、Gemini voice preset 和双人对话。
text 字段应该填写什么？
text 填写需要朗读的内容，也可以包含 [laughing]、[sigh]、[whispering]、[short pause] 等内联音频标签。使用多说话人配置时，在台词前加 Host:、Guest: 这类 speaker_id 前缀。
style_instructions 如何使用？
style_instructions 用于描述整段语音的风格，例如温暖缓慢、新闻播报、英式口音、欢快语气或神秘低语，适合把全局表达要求与正文分开。
Gemini 3.1 Flash TTS 支持音频标签吗？
支持。音频标签是该模型的核心优势，可在脚本中控制情绪、停顿、笑声、低语、节奏和其它表达细节。
支持哪些 voice 和语言？
API 暴露 30 个 Gemini voice preset，例如 Kore、Puck、Charon、Zephyr 和 Aoede。模型支持 70+ 语言，并可通过 language_code 进行语言引导。
可以生成多人对话吗？
可以。当前 PoYo API 支持配置正好两个 speakers，每个 speaker 包含 speaker_id 和 voice。text 中使用相同 speaker_id 前缀，模型会把对应台词分配给对应 voice。配置 speakers 时，顶层 voice 会被忽略。
支持哪些输出格式？
PoYo 对 Gemini 3.1 Flash TTS 支持 mp3、wav 和 ogg_opus。mp3 是默认格式，适合网页和应用播放时控制文件体积。
如何计费并获取结果？
PoYo 按每 1000 字符 24 credits 计费，即 $0.12 / 1000 字符。提交生成请求后，使用返回的 task_id 调用 PoYo 标准任务状态接口获取音频文件。
为什么使用 PoYo
01
清晰的按字符计费
以每 1000 字符 $0.12 使用 Gemini 3.1 Flash TTS，credit 账单清晰可预期。
02
统一模型访问
在同一个 PoYo 账户中统一使用文本、图像、视频和音频模型，复用计费、状态查询和 callback 流程。
03
生产级异步流程
提交异步任务、查询稳定任务状态，并通过同一个 API surface 获取最终语音文件。
04
表达控制完整
提供 text、style、voice、language、speakers、temperature 和 output_format 等生产常用控制。