具表现力的语音，带有内嵌语音标签、风格指导和双语对话，涵盖130种语言和超过2000个声音库。
Google 音频生成 发布日期 2026年9月22日 专有端点 新具表现力的语音，带有内嵌语音标签、风格指导和双语对话，涵盖130种语言和超过2000个声音库。
也称为 Gemini Flash TTS, Google Gemini 3.8 Flash TTS
gemini-3-8-flash-tts/v1/audio/speechPOST/v1/audio/speech:streamGET/v1/voicesgemini-3.8-flash-ttsgoogle/gemini-3.8-flash-tts来自 EmpirioLabs 目录的实时按量计费价格。只为实际用量付费，没有月度最低消费。
Gemini 3.8 Flash TTS 通过 POST /v1/audio/speech 生成语音并返回可播放的音频。把要朗读的文本作为 input，连同模型 ID gemini-3-8-flash-tts 一起发送。 在EmpirioLabs 控制台获取 API 密钥。
curl https://api.empiriolabs.ai/v1/audio/speech \
-H "Authorization: Bearer $EMPIRIOLABS_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gemini-3-8-flash-tts",
"input": "Welcome to EmpirioLabs. Your build just finished."
}' \
--output speech.mp3import requests
response = requests.post(
"https://api.empiriolabs.ai/v1/audio/speech",
headers={"Authorization": "Bearer YOUR_EMPIRIOLABS_API_KEY"},
json={"model": "gemini-3-8-flash-tts", "input": "Welcome to EmpirioLabs."},
)
with open("speech.mp3", "wb") as f:
f.write(response.content)EmpirioLabs 上 Gemini 3.8 Flash TTS API 支持的请求参数。省略字段时使用默认值。
| 参数 | 类型 | 默认值 | 范围 / 值 | 描述 |
|---|---|---|---|---|
| input | string | - | 最大 5000 | 文本转换为语音。多扬声器模式下，前缀为Speaker1： / Speaker2：最多5000字符。style_prompt中设定表达方向，并将这些声音标签放置在声音应有的位置：<argh>， <breath>， <重喘>，... |
| mode | enum | single | single, multi | 单声部=一声部，多重部=双部对话（使用人声+声音2+说话者名称）。 |
| language | string | - | - | 可选的BCP-47语言标签（en-US、es-ES等）。文本的语言会自动检测。列出的30个语音应使用所有支持的语言;图书馆的语音必须与其自身语言一起使用。 |
| voice | enum | Charon | Zephyr, Puck, Charon, Kore, Fenrir, Leda, Orus, Aoede, Callir... | 主要语音名称（例如 Kore、Puck、Aoede）。默认保留空格。这30个语音会说所有支持的语言。GET /v1/voices列出了超过2000个语音的完整库，任何它返回的语音ID也被接受。自定义克隆voice_audio_url和voice_consent_audio_url的语音，响应voice_id在这里或voice2中工作... |
| voice_audio_url | string | - | - | voice=仅自定义：一个HTTPS地址，指向10到30秒的清晰自然语音录音（WAV、MP3、M4A、OGG、WEBM或FLAC）。在安静的房间里录制，使用与同意录音相同的麦克风。 |
| voice_consent_audio_url | string | - | - | voice=仅自定义：https URL 指向同一说话者朗读此语：“我是此语音的所有者，我同意谷歌使用此语音创建合成语音模型。”30种语言中任意一种都接受相同的语句;consent_statements该参数的元数据列出了每一种。 |
| voice2 | enum | Kore | Zephyr, Puck, Charon, Kore, Fenrir, Leda, Orus, Aoede, Callir... | 多扬声器模式的第二个语音名称。库和克隆语音ID也被接受。 |
| speaker1_name | string | Speaker1 | - | 显示名称用于扬声器1的输入前缀（默认：Speaker1）。 |
| speaker2_name | string | Speaker2 | - | 扬声器2输入前缀中使用的显示名称（默认：Speaker2）。 |
| output_format | enum | WAV | WAV, MP3, OGG, ALAW, MULAW | 音频文件格式：WAV、MP3、OGG（Opus）或电话用的ALAW / MULAW。 |
| speed | number | 1 | 0.25 到 2 | 播放速率。1.0 = 自然;<1 慢，>1 快。POST /v1/audio/speech:stream. 不可用 |
| volume_gain | number | 0 | -96 到 16 | 输出增益以dB为单位。0 = 不变。 |
| sample_rate | enum | 24000 | 8000, 16000, 22050, 24000, 44100, 48000 | 输出采样率以Hz为单位（8000、16000、22050、24000、44100或48000）。OGG输出使用8000、16000、24000或48000中最接近的采样率。 |
| style_prompt | string | - | - | 自然语言风格的引导（例如“温暖、对话式”或“新闻播报员，严肃”）。 |
<argh> <breath> <heavy breath> <exhales> <cackle> <cheer> <chuckle> <chuckles> <cough> <cry> <gasp> <giggle> <groan> <growl> <grunt> <grr> <hiss> <laugh> <laughter> <moan> <pant> <pff> <phew> <scream> <shout> <shriek> <sigh> <sighs> <sneeze> <snicker> <snort> <sob> <throat-clearing> <tsk> <whimper> <whispers> <whispering> <yawn> <short pause> <long pause>在 EmpirioLabs，Gemini 3.8 Flash TTS 按量计费：输入 $2.60 每100万个提示词标记; 输出 $46.80 每100万个生成代币。本页的实时价格表始终与 API 的实际计费一致。
Gemini 3.8 Flash TTS 通过 api.empiriolabs.ai 上的 POST /v1/audio/speech 提供，使用标准的 Bearer 令牌认证。
可以。EmpirioLabs Playground在浏览器中以与 API 相同的参数运行 Gemini 3.8 Flash TTS，你可以在写代码之前先测试提示词。
创建 EmpirioLabs 账户，然后在控制台的 API Keys生成密钥。计费使用按量付费的额度，只为实际发出的请求付费。
