）。
Gemini TTS
https://aistudio.google.com/generate-speech
以下，是我们需要填的信息，看起来也不是很复杂，所以我就随便搞了搞：
怎么说呢，效果还行，但谈不上惊艳，也就这样吧。（“不管怎样”都读成“不管怎么样”，AI加工了，这是因为我在“创意”一项，开了“1”，给AI一定对文本的修正空间）
本来以为这次评测就此结束，直到我看了一个UP主的视频，我才知道，是我想简单了。Google针对这个功能是有一个官方说明书的：https://ai.google.dev/gemini-api/docs/speech-generation?hl=zh-cn提示指南Gemini 原生音频生成文字转语音 (TTS)模型与传统 TTS 模型的不同之处在于，它使用的大语言模型不仅知道要说什么，还知道怎么说。若要解锁此功能，用户可以把自己想象成导演，为虚拟配音演员设置表演场景。为了精心打造提示，我们建议您考虑以下组成部分：定义角色核心身份和原型的音频配置文件；确定实体环境和情感“氛围”的场景说明；以及提供有关风格、口音和节奏控制的更精确表演指导的导演注释。通过提供细致的指令，例如精确的地区口音、特定的副语言特征（例如气声）或语速，用户可以利用模型的上下文感知能力生成高度动态、自然且富有表现力的音频表演。为获得最佳效果，我们建议脚本和导演提示保持一致，以便“谁在说”与“说了什么”和“怎么说”保持一致。本指南旨在为您提供基本指导，并在您使用 Gemini TTS 音频生成功能开发音频体验时激发您的灵感。我们非常期待看到您的创作成果！
提示结构一个出色的提示应包含以下元素，这些元素共同构成出色的表演：
- 音频配置文件– 为语音建立角色，定义角色身份、原型和任何其他特征，例如年龄、背景等。
- 场景– 设置舞台。描述了实体环境和“氛围”。
- 导演笔记– 效果指南，您可以在其中细分哪些指令对虚拟人才来说需要注意。例如，风格、呼吸、节奏、发音和口音。
- 示例上下文– 为模型提供上下文起点，以便虚拟演员自然地进入您设置的场景。
- 转写内容– 模型将朗读的文本。为获得最佳效果，请注意转写内容的主题和写作风格应与您给出的指令相关。
另外，人家还直接提供了一个模板：（所以说，还是不能闭门造车呀，AI还是要多看多学
）
那么接下来，就清楚了，我们需要根据官方提供的提示词，打造一个智能体，我用豆包试了试：
我上传了原文后，豆包给了我“朗读剧本”:
随即我把这个脚本，交给了Gemini TTS：（这次在风格说明中，明显多了很多字）
效果如下：
此前，我是怎么开脑洞都没有想到：可以用一个AI进行朗读的风格指导，然后另一个AI还能按照这个指导进行执行——输出和文章风格匹配的朗读音频？！
要知道，这些AI语音的贡献者，都不是中国人，也不会中文，完全是AI提取他们的音色、“教会”他们中文、然后按照指定的风格说话：
后续，我在Gemini上面做了一个智能体（Gem），那就更强大了：
可以根据我的文章，帮我挑选合适的朗读者：（我给了它名单——上图“知识”）
在独白中加（括号），让AI对具体句子进行处理（它自动识别不会读出来）。这个设计不仅是对AI，对人都很有帮助好吧。
他甚至还能建议配什么音乐，以及配套的幻灯片：
© 版权声明
文章版权归作者所有，未经允许请勿转载。
