Gemini 3.1 Flash TTS 發佈，prompt 長得像一份電台劇本

Gemini 3.1 Flash TTS 發佈，prompt 從挑 voice preset 變成寫五層劇本。Simon Willison 實測改地名就換口音。這篇拆解 audio tags、導演椅設計與 TTS 工作流的分界線。 ⭐ 文章深度讀：拆解五層 prompt 結構與 Simon 改地名的三次實測 → https://heymaibao.com/gemini-3-1-flash-tts-prompt-like-script/ ⚡ 章節重點 為什麼這次 TTS 不只是升級 00:00 導演椅：從工程師變成導演 00:48 prompt 變成五層劇本 01:30 Simon 改地名就換口音的實驗 01:58 Elo 1,211 之外，真正的訊號是 SynthID 03:34 寫提示詞就是新的劇本寫作 04:24 📝 懶人包 ∙ Gemini 3.1 Flash TTS 的 prompt 不是幾行參數，而是一份五層的電台劇本結構：`AUDIO PROFILE`(角色檔，連節目副標一起寫)、`THE SCENE`(場景，連燈光時間都寫)、`DIRECTOR'S NOTES`(導演註記，底下再分 Style、Pace、Accent 三個子節，Style 裡還包含 Vocal Smile 與 Dynamics 兩條)、`SAMPLE CONTEXT`(這角色適合做什麼)、`TRANSCRIPT`(正式台詞，含 inline tags)。Simon Willison 對整份官方提示指南的評語是：說它驚人，都還算是保守的說法。 ∙ 口音靠文字描述裡的地名驅動。Simon 把範例裡「Jaz 來自 Brixton，London」的地名，先改成 Newcastle，再改成 Exeter，Devon，三次都拿到對應口音的輸出，完全不是靠選取語音 ID。 ∙ 硬規格與通路快照：第三方 Artificial Analysis TTS leaderboard 在發佈當天的盲測給出 Elo 1,211，被放進「最佳象限」(高品質 + 低成本)；走標準 Gemini API，model ID 是 `gemini-3.1-flash-tts-preview`，首日同時在 Google AI Studio、Vertex AI、Google Vids 三條管道開預覽；所有生成音訊都帶 SynthID 浮水印。 ∙ 我的觀察：這次 TTS 的分界線不是誰的音質更像真人，而是心智模型的切換。從挑一個 voice preset，變成幫配音演員寫一份角色設定。這件事會改寫整個 AI 語音工作流，而不只是多了一款可換的引擎。 📚 參考資料 Gemini 3.1 Flash TTS → https://simonwillison.net/2026/Apr/15/gemini-31-flash-tts/ Gemini 3.1 Flash TTS: the next generation of expressive AI speech → https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-1-flash-tts/ 官方 prompting guide → https://ai.google.dev/gemini-api/docs/speech-generation#transcript-tags Google AI Studio 生成語音 → https://aistudio.google.com/generate-speech Simon Willison 的測試 UI → https://tools.simonwillison.net/gemini-flash-tts Artificial Analysis TTS leaderboard → https://artificialanalysis.ai/text-to-speech/models DeepMind Gemini 3.1 Flash Audio model card → https://deepmind.google/models/model-cards/gemini-3-1-flash-audio/