gemini-tts

Gemini Text-to-Speech

通过可执行脚本使用 Gemini 的 TTS 模型生成自然语音，支持多种音色和多说话人对话。

适用场景

在以下情况下使用此技能：

• 将文本转换为自然语音
• 为播客、有声读物或视频创建音频
• 生成多说话人对话
• 为长篇内容流式生成音频
• 从多种音色中进行选择
• 创建无障碍音频内容
• 为演示文稿生成旁白
• 批量将文本转换为音频文件

可用脚本

scripts/tts.js

用途：使用 Gemini TTS 模型将文本转换为语音

适用场景：

• 任何文本转语音转换
• 生成多说话人对话
• 为长文本流式生成音频
• 为内容创作配制旁白
• 生成无障碍音频

关键参数：

参数	说明	示例
text	要转换的文本（必需）	"Hello, world!"
--voice、-v	音色名称	Kore
--output、-o	输出文件的基本名称	welcome
--output-dir	音频输出目录	audio/
--no-timestamp	禁用自动时间戳	标志
--model、-m	TTS 模型	gemini-2.5-flash-preview-tts
--stream、-s	启用流式生成	标志
--speakers	多说话人映射	"Joe:Kore,Jane:Puck"

输出：WAV 音频文件路径

工作流

工作流 1：基本文本转语音

node scripts/tts.js "Hello, world! Have a wonderful day."

• 最适用于：快速生成音频、简单消息
• 音色：Kore（默认，清晰且专业）
• 输出：audio/tts_output_YYYYMMDD_HHMMSS.wav（自动添加时间戳）

工作流 2：选择其他音色

node scripts/tts.js "Welcome to our podcast about technology trends" --voice Puck --output welcome

• 最适用于：友好、对话式内容
• 音色选项：Kore、Puck、Charon、Fenrir、Aoede、Zephyr、Sulafat
• 输出：audio/welcome_YYYYMMDD_HHMMSS.wav

工作流 3：多说话人对话

node scripts/tts.js "TTS the following conversation:
Joe: How's it going today?
Jane: Not too bad, how about you?
Joe: I'm working on a new project.
Jane: Sounds exciting, tell me more!" --speakers "Joe:Kore,Jane:Puck" --output conversation

• 最适用于：对话、访谈、角色扮演内容
• 格式：标注说话人姓名的对话
• 脚本会自动将文本分配给相应音色
• 输出：audio/conversation_YYYYMMDD_HHMMSS.wav

工作流 4：使用流式生成处理长内容

node scripts/tts.js "This is a very long text that would benefit from streaming..." --stream --output long-form

• 最适用于：播客、有声读物、长篇文章
• 流式生成：将音频分块处理，适用于长文本
• 输出：audio/long-form_YYYYMMDD_HHMMSS.wav

工作流 5：专业旁白

node scripts/tts.js "Welcome to our quarterly earnings presentation. Today we'll discuss our growth metrics and future plans." --voice Charon --output voiceover

• 最适用于：企业内容、演示文稿、正式公告
• 音色：Charon（深沉、权威）
• 适用场景：需要专业、严肃的语气时

工作流 6：自定义输出目录

node scripts/tts.js "Save to specific folder." --output-dir ./my-projects/podcasts/ --output episode1

• 最适用于：结构清晰的项目目录
• 如果目录不存在，脚本会自动创建
• 输出：./my-projects/podcasts/episode1_YYYYMMDD_HHMMSS.wav

工作流 7：内容创作流程（文本 → 音频）

# 1. Generate script (gemini-text skill)
node skills/gemini-text/scripts/generate.js "Write a 2-minute podcast intro about sustainable energy"

# 2. Generate audio (this skill)
node scripts/tts.js "[Paste generated script]" --voice Fenrir --output podcast-intro

# 3. Use in video or podcast

• 最适用于：播客、有声读物、视频旁白
• 搭配使用：gemini-text 生成脚本

工作流 8：无障碍内容

node scripts/tts.js "Welcome to our accessible website. This audio describes our main navigation options." --voice Aoede --output accessibility

• 最适用于：网页无障碍访问、屏幕阅读器替代方案
• 音色：Aoede（悦耳、动听）
• 适用场景：让视障用户也能访问内容

工作流 9：教育内容

node scripts/tts.js "Chapter 1: Introduction to Quantum Computing. Let's explore the fundamental principles..." --voice Zephyr --output chapter1

• 最适用于：教育材料、教程、在线学习
• 音色：Zephyr（轻盈、清新）
• 搭配 gemini-text 生成内容，效果更佳

工作流 10：禁用时间戳

node scripts/tts.js "Fixed filename." --output my-audio --no-timestamp

• 最适用于：需要完全控制文件名时
• 输出：audio/my-audio.wav（不含时间戳）
• 适用场景：需要按特定命名规则生成文件时

参数参考

模型选择

模型	质量	速度	最适用于
gemini-2.5-flash-preview-tts	良好	快	通用场景、大批量处理
gemini-2.5-pro-preview-tts	更高	较慢	优质内容、旁白

语音选择

语音	特点	最适合用于
Kore	清晰、专业	公告、通用场景（默认）
Puck	友好、对话感强	轻松内容、访谈
Charon	深沉、权威	企业内容、严肃内容
Fenrir	温暖、富有表现力	讲故事、叙事内容
Aoede	悦耳、动听	教育内容、无障碍场景
Zephyr	轻柔、空灵	温和内容、教程
Sulafat	中性、平衡	纪录片、事实类内容

音频格式

规格	值
格式	WAV（PCM）
采样率	24000 Hz
声道	1（单声道）
位深	16-bit

令牌限制

限制	类型	描述
8,192	输入	输入文本的最大令牌数
16,384	输出	输出音频的最大令牌数

输出说明

音频文件

• 格式：WAV（兼容大多数播放器）
• 单声道（单条音轨）
• 采样率：24000 Hz（广播级音质）
• 如有需要，可转换为 MP3/AAC

多说话人文件

• 单个 WAV 文件，包含多个语音
• 文件内的不同语音按时间分隔
• 使用 --speakers 参数将说话人映射到语音

流式输出

• 生成过程中分块处理音频
• 脚本会显示“正在流式处理音频……”消息
• 适用于超长文本或实时应用

常见问题

“google-genai 未安装”

npm install @google/genai@latest dotenv@latest

“未找到语音名称”

• 检查语音名称的拼写
• 使用可用语音：Kore、Puck、Charon、Fenrir、Aoede、Zephyr、Sulafat
• 语音名称区分大小写

“未生成音频”

• 检查文本是否为空
• 确认文本未超过令牌限制（8,192）
• 尝试缩短文本片段
• 检查 API 配额限制

“多说话人格式错误”

• 格式：SpeakerName:VoiceName,Speaker2:Voice2
• 用逗号分隔说话人
• 用冒号分隔说话人和语音
• 示例："Joe:Kore,Jane:Puck,Host:Charon"

“输出文件已存在”

• 脚本会覆盖现有文件
• 更改 --output 文件名以避免冲突
• 批量生成时使用唯一名称

音频质量问题

• 检查输入文本中是否有特殊字符
• 尝试使用其他语音以改善发音
• 考虑将长文本拆分为较小片段
• 确认音频播放软件兼容

最佳实践

语音选择

• Kore：通用场景，吐字清晰
• Puck：对话感强，语气吸引人
• Charon：专业、权威
• Fenrir：富有情感，适合讲故事
• Aoede：柔和、轻声，适合无障碍场景
• Zephyr：适合教育内容，解释清晰

文本准备

• 使用自然语言和标点符号
• 用逗号和句号表示停顿
• 如有需要，将难读的词拼写出来
• 将超长文本拆分为符合逻辑的片段
• 为多说话人内容添加说话人标签

性能优化

• 对超长文本使用流式处理
• 生成较短的片段，以便更好地控制
• 使用 flash 模型加快生成速度
• 批量处理多个文件以提高效率

质量提示

• 针对内容类型测试不同语音
• 使用标点符号调整语速和节奏
• 选择语音时考虑上下文
• 最终使用前试听输出
• 多说话人内容需要清晰标注说话人

不同语音的适用场景

语音	理想使用场景
Kore	公告、导航、一般信息
Puck	播客、访谈、轻松内容
Charon	企业内容、新闻、正式演示
Fenrir	有声读物、故事、情感内容
Aoede	无障碍场景、教育内容、温和内容
Zephyr	教程、解释、指南
Sulafat	纪录片、事实类演示

相关技能

• gemini-text：生成用于 TTS 的脚本和文本
• gemini-image：创建与音频配套的视觉内容
• gemini-batch：高效处理多个 TTS 请求
• gemini-files：上传音频文件以进行处理

快速参考

# Basic
node scripts/tts.js "Your text here"

# Custom voice
node scripts/tts.js "Your text" --voice Puck --output audio.wav

# Multi-speaker
node scripts/tts.js "Joe: Hi. Jane: Hello!" --speakers "Joe:Kore,Jane:Puck"

# Streaming
node scripts/tts.js "Long text..." --stream --output long.wav

# Professional
node scripts/tts.js "Corporate announcement" --voice Charon

参考资料

• 完整的语音说明请参阅 references/voices.md
• 获取 API 密钥：https://aistudio.google.com/apikey
• 文档：https://ai.google.dev/gemini-api/docs/text-to-speech
• 采样率：24000 Hz，适用于大多数应用