Gemini 3.1 Flash TTS 长文本配音音色一致性难保持
Ok_Coat4453 · reddit · 2026-07-06
作者在研究将 Gemini 3.1 Flash TTS Preview 用于长篇有声书/故事演播时，发现最大的挑战是音色一致性。在相同文本、相同声音（Kore）、相同 API、相同参数下重复生成，虽然性别不变，但音色（音质、语调、说话风格、整体声音特征）会出现明显差异，拼接多段后尤为突出。他测试了不同分块大小、情感标签、自然语言表演指令等多种方式，均未显著改善，因此向社区求助长文本配音方案。
「多模态」频道最新
- 用 Claude Code 搭视频剪辑流水线,十段 prompt 从粗剪到成片 — TawohAwa · 2026-10-26
- 一句话生成3D世界，再用AI重绘成电影级镜头 — gizakdag · 2026-10-26
- 零实拍造出一整部电影世界：CineMap 导演分镜配 TapNow 成片 — gizakdag · 2026-10-26
- 快手 Kling 对阵字节 Seedance：中国 AI 视频模型竞争观察 — DavidmComfort · 2026-10-26
- 散景宇宙星云提示词模板：虚化光球演绎星际云雾质感 — LudovicCreator · 2026-10-26
- 博主用 Runway Act-2 加 ElevenLabs 变声做出高质量 AI 视频 — AIandDesign · 2026-10-26