为 Gemini 3.8 TTS 创建你自己的声音

原文链接：https://www.philschmid.de/gemini-3-8-tts
Gemini 3.8 Flash TTS 和 Flash-Lite TTS 现已在 Gemini API 和 AI Studio 中开放使用。
在 Hume 的语音设计基准测试中排名第一，并在六种语言的语音竞技场中位居榜首。
最大新功能是：你现在已经可以复制自己的声音，或通过一句话创造一个全新声音。
下方的指南将展示如何操作。阅读下文，或将此提示词分享给你的智能助手。

bash请阅读 https://www.philschmid.de/gemini-3-8-tts 并引导我为 Gemini 3.8 TTS 创建自定义声音。
首先检查我的环境设置（GEMINI_API_KEY、ffmpeg、gemini-skills），
帮助我录制两个音频片段，创建声音，并生成一句我可以试听的测试语音。

1. 录制两个音频片段
保持使用同一麦克风、同一房间、24kHz 单声道格式。
API 会对比两个录音，因此不要在录制过程中从耳机麦克风切换到笔记本内置麦克风。

bash# macOS 系统。“:0” 代表音频设备 0。要查找你的麦克风列表：

ffmpeg -f avfoundation -list_devices true -i “”

me.wav：录制 15-20 秒你日常说话的自然语音。可以描述你本周在构建什么。

请自然交谈，不要朗读。

ffmpeg -f avfoundation -i “:0” -ac 1 -ar 24000 -t 20 me.wav

consent.wav：请逐字朗读以下句子：

“I am the owner of this voice and I consent to Google using this voice to create a synthetic voice model.”

ffmpeg -f avfoundation -i “:0” -ac 1 -ar 24000 -t 8 consent.wav

Linux 系统请使用 -f alsa -i default。
macOS 系统首次运行时可能只弹出麦克风权限请求对话框，请允许权限后再次执行命令。
同意句必须是 25 个支持版本之一，并且需完全按照原文朗读。例如德语版本：
“Ich bin der Eigentümer dieser Stimme und bin damit einverstanden, dass Google diese Stimme zur Erstellung eines synthetischen Stimmmodells verwendet.”
参考音频片段可以使用任何语言。建议使用你希望该声音后续使用的语言进行录制。

2. 创建声音并生成语音

python# uv run –with “google-genai>=2.25.0”
import base64
from google import genai

client = genai.Client()

def b64(path):
return base64.b64encode(open(path, “rb”).read()).decode()

voice = client.voices.create(
store=True, # 声音将存储在你的项目中一年，返回 voice_… 格式的 ID
voice={
“model”: “gemini-3.8-flash-tts”,
“type”: “replicated”,
“display_name”: “Me”,
“replicated”: {
“source_audio”: {“mime_type”: “audio/wav”, “data”: b64(“me.wav”)},
“consent_audio”: {“mime_type”: “audio/wav”, “data”: b64(“consent.wav”)},
},
},
)
print(voice.id)

interaction = client.interactions.create(
model=“gemini-3.8-flash-tts”,
input=[{
“type”: “user_input”,
“content”: [{
“type”: “text”,
“text”: “Okay so… I did not record this. “
“Twenty seconds of audio and one consent sentence. That’s it.”,
“annotations”: [{“type”: “speech_metadata”, “style”: “casual, a bit amused”}],
}],
}],
response_format={“type”: “audio”},
generation_config={“speech_config”: [{“voice”: voice.id}]},
)

3.8 返回的是带有 RIFF 头的真 WAV 文件，无需额外 wave 模块封装

open(“me_synth.wav”, “wb”).write(base64.b64decode(interaction.output_audio.data))

有两个要点请注意：

• 文本内容会被逐字朗读。
• 整体语调（如 “casual, a bit amused”）需放在 speech_metadata.style 中，
  短促音效则用 **** 和 **** 插入文本内。
• 声音 ID 可重复使用：在后续请求中直接传入即可，
  或通过 client.voices.list(type_=[“replicated”]) 再次查询。
• 若不想在服务器端存储任何数据，设置 store=False 会返回一个加密的 voicekey_…
  由你自己保管。它同样可用于 speech_config 字段，但 7 天后会过期。

或通过一句话设计声音
无需录制。使用相同的调用方法，但使用不同的 voice 字典结构。
你还会获得 sample_audio 预览，可在合成前试听声音效果：

pythonvoice = client.voices.create(
store=True,
voice={
“model”: “gemini-3.8-flash-tts”,
“type”: “prompted”,
“display_name”: “Deadpan host”,
“gender”: “male”,
“language_code”: “en-US”,
“prompted”: {“input”: “A dry, deadpan podcast host in his 30s, low pitch, slight German accent.”},
},
)
open(“preview.wav”, “wb”).write(base64.b64decode(voice.sample_audio.data))

提示词的变更说明
如果你之前使用过 gemini-3.1-flash-tts-preview，请注意现有提示词可能需要调整。
请务必阅读提示词指南和迁移说明。简要要点如下：

• 输入文本会被逐字朗读，写在文本内的指令也会被语音化输出。
• 贯穿整句的语调（如 “whispering”、“out of breath”）需放在 speech_metadata.style 中，
  短促音效则用尖括号插在文本内。
• 多说话人轮次需为每个轮次显式指定 speaker。
• 过长的 “Audio Profile” 提示词现在可能导致声音漂移。
  建议先用 Voices API 设计角色，然后在请求中只发送简短的或空的 style 字符串。
• 非流式（unary）响应现在返回真 WAV（audio/wav），
  因此请移除所有添加 WAV 头的代码。
  如需原始 PCM 数据，可将 response_format 设为 audio/l16。