Gemini 3.1 Flash TTS
每 1,000 个字符 $0.056 起
Google 富有表现力的文字转语音模型,输出自然,提示词可引导。你来指导语气和节奏,Craze 为你的视频配上旁白。
当你点名要求时,Craze 会运行 Gemini 3.1 Flash TTS。
Gemini 3.1 Flash TTS擅长什么
富有表现力、可引导的旁白
模型会响应嵌在脚本中的行内标签,如 (warmly)、(urgently) 和 (whispered)。
自然的节奏和重音
你可以指导模型在哪里停顿、在哪里加快,以及强调哪些词。
适用于任意长度的脚本
无论你是为 30 秒的短片还是 30 分钟的纪录片配旁白,Gemini 3.1 Flash TTS 都会一次性处理整个脚本。
导演。创作。剪辑。
别再写提示词,开始当导演。
Craze 与你一起碰撞创意、做调研、做规划。
创作有品位的内容。
Craze 能生成你能想象的一切。视频、音频、音乐、动态图形等等。
几分钟剪好视频,而不是几天。
Craze 会看完你的素材并剪出成片。如有需要,还有真正的编辑器。
制作人们愿意看的视频
- UGC 视频
- 动态图形
- 故事长片
- 产品可视化
- 微短剧
- 3D 影片
- 音乐视频
- 品牌影片
- 婚礼精彩集锦
- YouTube 测评
Gemini 3.1 Flash TTS与其他模型对比
这里的每个模型都可在所有 Craze 套餐(包括 Free)中使用,而且 Craze 可以为每个镜头使用不同的模型。
| Gemini 3.1 Flash TTSGoogle DeepMind | ElevenLabs v4ElevenLabs | Gemini 3.8 Flash TTSGoogle DeepMind | Gemini 3.8 Flash Lite TTSGoogle DeepMind | |
|---|---|---|---|---|
| 生成 | 文字生音频 | 文字生音频 | 文字生音频 | 文字生音频 |
| 起价 | 每 1,000 个字符 $0.056 | 每 1,000 个字符 $0.089 | 每 1,000 个字符 $0.050 | 每 1,000 个字符 $0.034 |
Craze 上的 Gemini 3.1 Flash TTS规格
| 任务 | 输入 | 分辨率 | 画面比例 | 声音 |
|---|---|---|---|---|
| 文字转语音 | 文字提示词 | 跟随源素材 | 跟随输入 | 无 |
常见问题
Gemini 3.1 Flash TTS 是 Google 用于生成富有表现力、可引导旁白的文字转语音模型。它把脚本变成听起来自然的语音,你可以指导其中的语气、节奏和情绪,无需重新录制或重新合成。
创作者选择 Gemini 3.1 Flash TTS 的理由
Gemini 3.1 Flash TTS 为旁白带来了导演般的控制。大多数 TTS 模型读起来平淡无奇。这个模型能听从指导,效果听起来像是表演出来的,而不是合成的。
富有表现力、可引导的旁白
模型会响应嵌在脚本中的行内标签,如 (warmly)、(urgently) 和 (whispered)。你也可以通过提示词塑造整体语气。标记了 (with doubt) 的句子,读起来会与没有指示的同一句话不同,而且模型会在整段旁白中保持连贯,让人物个性从头到尾保持一致。
自然的节奏和重音
你可以指导模型在哪里停顿、在哪里加快,以及强调哪些词。这对教学、销售和讲故事很重要,因为停顿放错位置或重音不当,都会改变观众的感受。
适用于任意长度的脚本
无论你是为 30 秒的短片还是 30 分钟的纪录片配旁白,Gemini 3.1 Flash TTS 都会一次性处理整个脚本。无需拼接音频分轨,各段之间也不会出现断裂。
如何在 Craze 中使用 Gemini 3.1 Flash TTS
新建一个项目,写下你的旁白或带来现成的脚本。Craze 负责生成和整合。
- 编写或粘贴你的脚本。添加
(firmly)或(thoughtfully)等行内指示,塑造模型朗读每个部分的方式。 - 在聊天中指定 Gemini 3.1 Flash TTS,或在“模型”面板中找到它并生成。
- Craze 生成音频并放到你的音轨上,时间与旁白的开始位置对齐。
- 在时间线中调整时间、修剪以配合你的剪辑,或重新生成需要换种语气的段落。
如果你没有指定模型,Craze 会列出兼容的 TTS 选项及其价格,让你在生成前选择。
Gemini 3.1 Flash TTS 的价格
价格为每 1,000 个字符 $0.056 起。费用只取决于最终旁白的字符数,与声音风格或行内指示无关。生成前,可以用本页的计算器估算费用。
该模型适用于所有 Craze 套餐,包括 Free。每次运行都从这些积分中扣除,如需更多,超出部分按相同的每字符价格计费。
Gemini 3.1 Flash TTS 适合谁
教育和教学内容
教学视频和教程需要清晰的重音和自然的节奏。Gemini 3.1 Flash TTS 会像真正的老师一样朗读讲解,突出重点,并在关键句之前停顿。
品牌旁白
品牌片和产品短片依靠声音来定调。指导模型匹配你的品牌声音(自信、俏皮、严肃),如果第一次的效果和你设想的不同,就重新生成。
纪录片和长篇故事
一部 20 分钟的作品需要在整个时长内保持一致的人物个性。Gemini 3.1 Flash TTS 自始至终保持声音和语气,让你的旁白听起来像一个人在讲故事,而不是机器在念字。
Gemini 3.1 Flash TTS 与其他模型的比较
ElevenLabs v4 是 Craze 的默认旁白模型,能处理多语言脚本并控制口音。当你想用行内指示控制语气和节奏时,Gemini 3.1 Flash TTS 在富有表现力的英语旁白方面表现出色。两者都在 Craze 上运行,价位不同。ElevenLabs v4 是快速完成多语言工作的首选;在塑造单一语言旁白的情绪和节奏时,Gemini 3.1 Flash TTS 更胜一筹。
如需同时生成音乐和音效的一体化音频,Seed Audio 1.0 可以一次性结合对白、拟音和环境声。如果你需要简单、性价比高的旁白,ByteDance 的 Seed Speech 能提供自然的声音克隆,但不支持行内提示词指示。如需用 (angry) 和 (whisper) 等标签精细控制情绪,Qwen Audio 3.0 TTS 提供多语言支持和两个速度档位。
限制和脚本要求
在 Craze 上,Gemini 3.1 Flash TTS 每次生成的脚本最长为 4,000 个字符。更长的脚本需要拆分成若干段分别生成,然后在时间线中合并。模型对行内标签和自然语言指示的响应同样出色,所以你可以在同一个脚本中混用两种方式。音频生成大约需要 10 到 30 秒,具体取决于脚本长度。模型会在整段旁白中保持声音的连贯和语气的一致,所以即使是长脚本,人物特征也能始终如一。
角色旁白往往更适合用 Gemini 3.1 Flash TTS,而不是单一声音的模型。当你指导旁白者在不同场景间转换情绪(第一幕脆弱,高潮时自信),行内标签能让你逐帧控制,而无需要求重写整个脚本。这对讲故事和品牌内容很重要,因为语气的递进本身就承载着意义。
仅靠 Gemini 3.1 Flash TTS 无法添加背景音乐、拟音或环境声。模型只返回人声旁白,所以音乐和音效需要来自项目的音频轨道或其他生成来源。这让它非常适合在现有音乐底轨或声音设计之上叠加旁白的视频项目。



















