Gemini 2.5 Pro TTS 详细解读
**Gemini 2.5 Pro Preview TTS 于 2025 年 5 月 20 日 Google I/O 期间公开。**它是品质优先的文本转语音模型，目标是根据自然语言指令控制语气、节奏、情绪与人物表达，让已经确定的脚本变成接近成品的音频。
产品定位
Pro TTS 适合有声内容、课程、品牌旁白、故事角色和多说话人节目。它与 Gemini Live 不同：TTS 不负责实时听懂用户，也不规划对话，只负责把文本与演绎要求转换为音频。因此在脚本确定、允许异步生成的工作中通常更稳定。
提示与制作方法
把内容和导演指令分开描述：先指定语言、角色和目标听众，再给出情绪、语速、停顿、重音和场景。专有名词、缩写、日期和金额应明确读法。多角色脚本固定角色与声音映射，避免中途换名。
长内容应按语义段落切分，在后期统一响度、静音和背景音乐。每段生成后检查漏字、多字、重音、语气连续性与人物一致性；关键广告、法律声明和数字信息必须逐字审听。
何时选择 Pro TTS
当成品质量、情绪层次和多人物表现比生成速度更重要时选择 Pro。对于应用通知、批量短旁白和成本敏感的大规模朗读，Flash TTS 更合适。评估时比较“每分钟可用成品”的总成本，而不只看单次 API 价格。
工程与安全
保存脚本、导演指令、模型版本、声音配置和人工修改记录。音频文件可能包含敏感信息，应设置访问与保留期限。不得未经授权克隆或冒充真人，不得将合成语音用于欺诈、绕过声纹验证或虚假证言；面向公众发布时遵循内容标识规则。
评测指标
关注发音错误率、自然度盲评、角色一致性、首包延迟、生成实时率、失败重试率和人工后期分钟数。不同语言和口音要分别评测，不能用英文效果推断中文或方言效果。