前言
這次 Google I/O 2025 公布了支援原生音訊輸出文字轉語音 (TTS) 的 Gemini 2.5 Pro 和 Flash，可以指定語音的風格、口音、速度和音調等等，而且還可以一次生成單一發言者或多位發言者。
同步，Google AI Studio 也加入 Gemini speech generation 介面，方便我們透過網頁 UI 直接試玩。
延伸閱讀：
我就想到 Google 的 NotebookLM，它透過 AI 自動從多篇文章整理並生成出一段通順、自然的語音摘要功能 (Audio Overview)，是由兩位虛擬主持人對話的 Podcast 語音，非常的厲害，讓我很想一玩再玩。
那既然這次 Google 公布了原生音訊輸出文字轉語音，就想說感覺應該可以自己來試試，不管是逐字稿，還是對話語音，都由 Gemini 來生成 (我只要坐在旁邊看就好)。
相比 NotebookLM，透過此方法可以有更高的自由度、主控權，例如調整每一句要講什麼內容、Podcast 整體長度、細節語氣變化…等等。
成品效果會像這樣：
Gemini speech generation 介面
先來了解一下 Google AI Studio 的 Gemini speech generation 操作介面，在 Generate Media > Gemini speech generation。
直接先看右側的面板。
可以選擇生成語音的模型，目前有兩個模型可以選擇：
- Gemini 2.5 Pro Preview TTS
- Gemini 2.5 Flash Preview TTS
建議優先使用「Gemini 2.5 Pro Preview TTS」模型，我測試起來效果還是比較好的。
再來選擇要單一發言者或多位發言者(目前最多兩位)：
- Single-speaker audio
- Multi-speaker audio
最後 "Voice settings " 個別設定他們的名字與語音風格。
語音風格每個都可以點擊播放鍵試聽，目前
共有 30 種語音風格
可以選擇。
* 雖然官方文件內寫 目前支援的語言沒有中文 ，但我測試中文結果還是不錯的。
看回中間的部分，設定文字腳本 (也就是我們希望它念的內容)，分成左右兩邊 "Raw structure" 和 "Script builder"，其實他們是一樣的內容，修改其中一邊，另一邊也會跟著同步。
之後我們生成的逐字稿內容，可以直接一次貼在左邊的 "Raw structure"，較方便。
右邊的 "Script builder" 只是為了讓我們在 UI 上操作，並確認格式有沒有跑掉。
從文章生成 Podcast 語音
這次我們最主要的目的，是想要「從一篇文章去生成出一段 Podcast 風格的對話語音」。
我的基礎概念很簡單，就是先由 Gemini 模型將文章整理成 Podcast 逐字稿，再交由 Gemini TTS 模型去生成出 Podcast 語音檔案。
接下來，一起來實際看看該怎麼操作吧~🚀
生成 Podcast 逐字稿
首先，我們後續想透過 Gemini TTS 模型生成語音，就要先來了解它支援的腳本架構。
* 因為我想要的是兩人的 Podcast 風格，因此我是選擇 "Multi-speaker audio" (兩位發言者)。
它的開頭是 "Style instructions"，可以針對風格、口音、速度、音調…等等去描述。
再來就是每位發言者說的內容，前面使用 Speaker 1: 和 Speaker 2: 來標示 (這兩個名字可以換，記得要去右測面板 "Voice settings" 設定)
我測試發現，有關說話的語氣、情緒也可以寫在內容裡，不過要做點標示讓 AI 能懂，它才不會以為是逐字稿而唸出來，像我是使用 {{}} 符號來跟一般內容區隔。這部分官方沒有說明，用別的符號也可以，但不要用單個小括號 ()，我測試過它有時候會不小心說出來 XD
* 如果不指定語氣、情緒，模型也會自動根據文字內容產生符合的，但這就像是通訊軟體內的文字訊息，同樣一句話，但不同人看，可能會有不同的理解與感受。因此明確標註語氣或情緒，能幫助模型生成更準確符合我們的預期。
了解腳本架構後，我們來到 " Google AI Studio > Chat "。
我這邊是使用 Gemini 2.5 Pro Preview 模型，比較聰明，效果應該會更好。
以下是我自己想出來的 prompt，各位可以直接複製來用，並依照自己的需求修改：
根據以下文章內容，整理出雙人 Podcast 逐字稿，遵循以下規則：
- 逐字稿使用繁體中文。
- 逐字稿總長度約 1000 字。
- 分別有 主持人 "Speaker 1" 與 主持人 "Speaker 2"，"Speaker 1" 為台灣人年輕女性、"Speaker 2" 為台灣人年輕男性。
- 如果有必要，主持人互相使用 "你" 稱呼。
- 皆使用台灣用語、台灣連接詞，可以適時使用台灣狀聲詞。
- 如果有需要描述語氣、情緒，使用 "{{}}"，例如 "{{哈哈大笑}}" 或 "{{難過情緒}}"。
- 只需要輸出逐字稿，不需要其他說明。
- <其他要求，例如流程、架構、著重特定聽者>
逐字稿範例：
```
Speaker 1: {{驚嘆}} 哇塞！各位聽眾朋友，你們知道嗎？
Speaker 2: {{疑問語氣}} 最近有什麼有趣的新聞嗎？
Speaker 1: NotebookLM 最近加入一個「Audio Overviews」新功能。
Speaker 2: {{小小的疑問}} 你是說 Google 推出的 NotebookLM 嗎？
Speaker 1: 沒錯！它最近有個新功能，可以把 PDF、影片、圖檔這些資料，直接做成精美的簡報，而且還有圖片跟流暢的旁白喔！據說它可能用了那個很威的影片生成模型 Veo2。
Speaker 2: {{語氣轉折、好奇}} 不過咧，講到這裡，可能有些台灣朋友會想說：「{{疑問語氣}} 那中文版可以用嗎？」
Speaker 1: {{微微嘆氣}} 欸，很可惜，目前中文版的 NotebookLM 還沒看到這個 Video Overviews 的功能...
```
文章內容：
```
<文章內容貼這裡>
```
例如我餵給它這篇文章： Gemini 2.5: Our most intelligent models are getting even better
可以看到有依照我們的指令，生成較符合台灣人的用語、語助詞，這樣可以讓後續結果更人性化、自然~
("發摟"、"哇塞"、"很威欸"、"最屌的" 🤣🤣🤣)
迷之音：那這樣以後我們做 Podcast，是不是可以請 Gemini 來當嘉賓，直接生成雙人對話了？{{開玩笑語氣}} -> 現在就是了 😆
生成 Podcast 語音
來到 " Google AI Studio > Gemini speech generation " 介面。
將剛剛生成的逐字稿貼到 "Raw structure" 區塊後，可以在開頭設定 "Style instructions"，使其產生的語音更符合我們的情境或要求，例如跟它說這是 Podcast 對話、主持人是台灣人、提醒它 {{}} 內容為風格、語氣或情感描述，不要唸出來…等等。
* 中文也可以，只是我想說它英文應該更能了解，就使用英文 prompt 了。
以下是我加上的 Style instructions：
The following in a podcast interview style.
The speakers all use Taiwanese Chinese accents.
`{{}}` is a description of style, tone, or emotion and should not be pronounced aloud.
依據逐字稿長度不同，稍等幾分鐘，完成後會顯示在左下角，可以點擊聆聽或下載。
* 以上個小節的 "生成逐字稿結果 範例" 的逐字稿長度，它生成的中文總語音長度約為 8 分鐘。
成果範例
我試了幾種語言，各位可以自己試聽看看~
🎙️中文 Podcast (非官方支援語言，以上教學示範的成果)
* 語音風格選的是 Achernar 和 Rasalgethi。
🎙️英文 Podcast (官方支援語言)
* 語音風格選的是 Sulafat 和 Lapetus
🎙️日文 Podcast (官方支援語言)
* 語音風格選的是 Zephyr 和 Puck。
🎙️韓文 Podcast (官方支援語言)
* 語音風格選的是 Aoede 和 Achird。
結語
可惜中文聽起來跟 NotebookLM 還有點差距，感覺以上的 prompt 還可以再做調整，而且官方寫目前還沒支援中文，可能就是中文的效果還沒到很理想 (有時候還會有老外講中文的口音 XD)，另外目前也還是 Preview 版本，正式上線後應該會再更好。
但相比 NotebookLM，此方法可以有更高的自由度、主控權，例如調整每一句要講什麼內容、Podcast 整體長度、細節語氣變化、口音、速度…等等。
而且能達成的成果也算不錯了，跟以前死板的機器人語音有很大的不同~
有關更多介紹與 API 的使用，可參考官方文章： Gemini API docs - Speech generation (Text-to-speech)
迷之音：未來被 AI 統治，會不會人類被 AI 反過來強迫錄製 Podcast (誤
如果對於 生成式 AI 有興趣的讀者，記得追蹤『 IT空間 』FB 粉專，才不會錯過最新的發文通知呦~🔔
參考：
An upgraded dev experience in Google AI Studio
Gemini API docs - Speech generation (Text-to-speech)
要是我不打起精神的話，誰都不會為我的人生負責啊！
—— IU (李知恩)
🔻 如果覺得喜歡，歡迎在下方獎勵我 5 個讚~
