指南 / 文字稿与声音指令
Gemini TTS 提示词指南
先写清楚要说什么,再决定怎么说。本指南用可编辑的中文例子说明文字稿、声音描述、场景指令、停顿标签和双人轮次的分工。复制或载入示例后,检查文字、模型和预估积分,再提交生成。
查看示例Flash · 普通话
为本站生成的示例 · 2026-10-08
查看完整文字稿
今天,我们从一段短文字开始。先选一种声音,把想说的话写清楚,再试听它的表达。不要急着加入很多要求。听完这一版,找到需要调整的一句话,改好之后再比较。
Flash-Lite · 普通话
为本站生成的示例 · 2026-10-08
查看完整文字稿
今天,我们从一段短文字开始。先选一种声音,把想说的话写清楚,再试听它的表达。不要急着加入很多要求。听完这一版,找到需要调整的一句话,改好之后再比较。
先分清文字稿和声音描述
文字稿是你希望录音实际读出的内容。声音描述用于告诉模型如何表达这段内容,比如“语气自然,清楚解释每个步骤”,而不是让它改写稿件。场景指令说明交流的背景,例如“第一次见面的主持人和嘉宾,语气友好”。把这三部分分开,可以更容易判断结果偏差来自哪里。如果你把所有要求都写进正文,可能让脚本难以阅读,也不方便检查哪些文字真的应该被说出。
第一次测试选择一个简单目标。比如准备一段介绍,先只要求表达清楚,不同时指定紧张、幽默、低声和兴奋。听完后把你想改的地方说具体:缩短某个句子、在转折前增加停顿,或者换一个更容易区分的声音。每次只改变一个因素,尽量使用相同文字;如果文字、声音和模型一起换,就很难知道哪项改动起了作用。
中文旁白
用短段落检查中文叙述和名称读音。
今天,我们从一段短文字开始。先选一种声音,把想说的话写清楚,再试听它的表达。不要急着加入很多要求。听完这一版,找到需要调整的一句话,改好之后再比较。
声音描述: 普通话旁白。语气自然,表达清楚,句子之间留出适当空间。
用句子结构建立节奏
节奏首先来自语言本身。把一个动作或观点放在一句话里,避免多个从句挤在一起。讲解类录音可以先提出问题,再给一个具体例子,最后总结行动。故事类录音可以用句子长短形成变化,但不要依赖大量停顿标签来弥补句子结构。朗读一遍文字,标出自己需要换气或重新理解的地方,再修改这些句子,通常比一开始就调整全部参数更有效。
中文标点、数字和书面缩写需要单独检查。你可以把日期写成希望被朗读的形式,为读者不熟悉的单位补一句解释,但不要预设模型一定会按你的习惯读出所有数字。对教程、产品介绍或教育内容,先自己核对事实,再试听读音。语音听起来有把握不代表信息已经被验证。如果一段内容涉及专业词汇,把关键名词放进短稿测试,不要等整段完成后才发现问题。
先检查数字、名称和中英混合
名称和数字经常决定录音是否可用。测试稿应当包含项目里的实际人名、日期、金额或步骤编号;它们的读法可能与普通句子不同。改写名称时,仍要保持内容准确,避免为了容易朗读而更改事实。对长串编号,可以根据用途拆开说明,但要让听众能听懂每个部分之间的关系。载入下面的例子后,把日期和数量替换成你的内容,再检查对应的字符数与积分估算。
中英文混合也需要实际试听。保留产品名和缩写的正确拼写,先听一版,再判断是否需要补充说明或调整句子。不要给整篇文章增加很长的声音描述来修复一个名称。可以把那一句单独拿出来,用相同模型和声音反复比较两种写法。英文样本只能帮助你判断初步声音特点,不能代表相同声音在普通话文字稿中的全部表现。
数字与日期
先试听日期、数量和单位,再修改写法。
活动将在十月十二日上午九点开始。请提前十五分钟到场,准备三份资料。第一部分持续二十分钟,结束后有五分钟休息。请核对这些数字与你的实际安排是否一致。
声音描述: 清楚地说明时间、数量和步骤,语速自然。
中英混合说明
检查产品名称和字母缩写的读法。
这段录音使用 Gemini TTS 制作。完成后,你可以下载 WAV 文件,在自己的音频编辑器里继续处理。先试听产品名称和文件格式的读法,再决定是否需要调整句子。
声音描述: 普通话讲解,英文名称自然衔接,表达清楚。
把支持的语气标签放在对应位置
工作台支持插入 <laugh>、<sigh>、<breath>、<short pause> 和 <long pause> 等现有标签。它们应当放在希望出现表达变化的那一行,而不是集中列在脚本末尾。比如在一句解释结束后留出停顿,再开始举例;或者在人物说出犹豫的回应前加入叹气。保留标签原样,不把它们翻译为中文,也不要根据其他服务的例子推断这里支持所有标签。
标签计入提交文字和长度限制,也会影响积分估算。少量明确的提示通常更容易判断;如果每句话都含有多个标签,录音可能失去自然的连续性。停顿标签不提供精确秒数承诺,具体时长以生成音频为准。把标签的效果和标点的效果分别试听,不要一口气改动所有设置。应用例子本身不会扣生成积分,提交新的录音请求才会使用额度。
停顿与语气
保留原始标签,检查它们在中文稿件中的效果。
我们先停一下。<short pause> 回想刚才那个问题,你会怎样回答?<sigh> 有时,一句更简单的话,比一段很长的解释更容易听懂。
声音描述: 语气平稳,不夸张。停顿后自然继续说明。
声音、风格与场景各管一件事
预设声音给你一个初始声音特点,风格和语速提供工作台已有的控制,声音描述补充角色的表达方式。可以写“温和但清楚,不要把句末拖得很长”,也可以写“像给新同事解释操作,语速自然”。避免把声音描述当成复杂剧情大纲,更不要写进去一段需要朗读的正文。你仍然需要听实际稿件:同一种声音可能适合轻松开场,却需要另一种指令来解释复杂步骤。
场景描述在双人内容中更有用。它说明人物为什么交流、他们彼此的关系和整体氛围,而每个人的声音描述只说明自己的表现。不要给两个角色都写相同的大段要求,导致难以区分。界面中一些口音选项来自当前 provider 契约;中文标签只帮助理解,提交参数仍使用原有值。这里不提供自定义声音设计或声音克隆流程,不能用一段声音描述把这些功能视为已经接入。
写出真正回应彼此的双人轮次
双人模式支持最多两位说话人。为每位角色选择声音,把每句分别交给说话人一或二,然后按实际交流顺序排列。让提问推动解释,让回答包含细节,后续追问回应刚才的信息。不要只是把一篇文章机械地一人一句拆开;那样角色之间没有真实的交流理由。下面的例子使用短问题和具体回答,可以替换为采访、课程或节目片段。
所有轮次的文字合计计入单次 5,000 字符限制。返回结果是一个合并的 WAV 音频,不是两条独立声轨。录音中应当检查轮次过渡、角色区分和名字读法;如果要把多个片段拼接成更长节目,还需要在编辑器中检查相邻片段的表现。这里不会自动研究主题、编写完整节目、添加音乐或发布播客,把这些后期步骤与语音生成分别安排。
中文双人解释
为两位说话人分配问题和回答。
Speaker 1: 为什么要先用短稿测试? Speaker 2: 因为你可以更快检查名称、句子和声音是否合适。 Speaker 1: 如果只有一句话读得不清楚呢? Speaker 2: 先改那一句,再用相同声音比较,避免同时更改太多设置。
场景描述: 一位好奇的提问者和一位耐心的解释者,用普通话自然交流。
用短稿迭代,保留满意的版本
把第一次试听当作检查稿件和声音的机会。先听是否容易理解,再听语气和节奏。记录模型、声音和指令,保留满意的录音;下一次使用同一段文字,只调整明确需要改的部分。如果你换了模型,先确认估算再提交;模型切换不会修改已经完成的音频,重复生成也不是对原录音的免费编辑。
Flash 和 Flash-Lite 使用同一套工作台控件,但积分费率不同。可以先在已有模型下改清楚句子,再用相同设置比较另一种模型。一次短稿的结果只说明那段文字和那组参数的表现,不代表全部语言、声音或长篇录音。没有固定关键词密度、声音指令长度或标签数量能保证更好的结果。最终选择应当由你完整听过的音频和实际用途决定。
开始前的常见问题
提示词越长越好吗?
不一定。先把正文、声音描述和场景分开,使用简短明确的要求,并用相同短稿检查改变后的结果。
载入示例会自动生成吗?
不会。示例填入现有工作台,你可以先编辑;只有登录、确认模型和积分后提交,才会发起生成。
标签需要翻译成中文吗?
不需要。保持 <short pause> 等已支持 token 原样,在希望发生停顿或语气变化的位置使用。
是否支持单独调整每位说话人?
双人模式可分别选择声音、风格、语速和声音描述,轮次由你指定;结果仍为一个合并音频。