google-ai-studio-tts

Google AI Studio TTS（浏览器驱动）

概述

此技能通过 claude-in-chrome MCP 工具，在用户已打开的 Chrome 中操作 https://aistudio.google.com/generate-speech，使用 Gemini Flash TTS 渲染音频。用户必须已在 Chrome 中登录 Google AI Studio——绝不要创建账号、输入密码或分享凭据。

界面有两种输入模式。请根据用户的需求选择：

用户意图	模式	原因
单人旁白、独白或简短配音	Text	只有一个文本框，流程最快。
使用简单 Speaker 1: … 行的多人对话	Text	使用同一个文本框——在各行前加上 Speaker 1:、Speaker 2:。
每行都有独立说话人标签、需要更精细的控制或便于编辑的多人对话	Composer	每段话占一个区块，每个区块都有自己的语音标签。
用户明确提到“scene”“sample context”“director's note”，或希望看到说话人标签	Composer	与他们提到的可见界面元素相符。

两种模式都共用 Scene 和 Sample Context 字段，以及右侧的 Speaker settings 面板。

必需工具

开始前，通过 ToolSearch 加载这些 claude-in-chrome MCP 工具：

select:mcp__claude-in-chrome__tabs_context_mcp,mcp__claude-in-chrome__tabs_create_mcp,mcp__claude-in-chrome__navigate,mcp__claude-in-chrome__find,mcp__claude-in-chrome__form_input,mcp__claude-in-chrome__javascript_tool,mcp__claude-in-chrome__computer

端到端工作流

1. 打开页面

tabs_context_mcp({ createIfEmpty: true })
navigate({ tabId, url: "https://aistudio.google.com/generate-speech?model=gemini-3.1-flash-tts-preview" })

如果 URL 显示所选模型不可用，且 AI Studio 已自动切换到其他模型（例如 gemini-3.1-flash-tts-preview），请接受切换——不要尝试阻止重定向。继续操作前，点击关闭提示横幅的“X”，以免遮挡 Run 控件。

2. 选择模式

两个切换按钮位于 Playground 右上角：

// Switch to Composer
document.querySelectorAll('button.toggle-button').forEach(b => {
  if (b.innerText.trim().endsWith('Composer')) b.click();
});
// or for Text
document.querySelectorAll('button.toggle-button').forEach(b => {
  if (b.innerText.trim().endsWith('Text')) b.click();
});

当前激活的切换按钮具有 ms-button-active 类。

3. 填写共用字段

两种模式共用以下字段：

• Scene（设置声学／情境框架）：textarea[aria-label="Scene"]
• Sample Context（为模型提供语气参考）：textarea[aria-label="Sample Context"]

这些是 Angular 文本框。直接使用 el.value = ... 不会触发 Angular 的表单绑定——请使用 references/selectors.md 中的辅助函数，或优先使用 find 获取引用后再调用 form_input MCP 工具。

如果用户未提供场景／示例上下文，请将这些字段留空。它们是可选项。

4a. 填写输入内容——Text 模式

一个文本框：textarea[aria-label="Enter a prompt"]。

格式约定（界面不会验证，但这是模型的训练格式）：

• 单人旁白：直接写文本。也可以选择在前面加上行内标签，例如 [warm] 欢迎收听本期节目。
• 多人对话：在每行前加上 Speaker 1:、Speaker 2: 等。

Speaker 1: [enthusiastic] Welcome back to the show!
Speaker 2: [agreement] Thanks, glad to be here.

行内标签词汇请参阅 references/audio-tags.md。

4b. 填写输入内容——Composer 模式

Composer 会为每段话生成一个语音区块。每个区块包含：

• 说话人标签：button.voice-chip.ms-button-filter-chip（文本显示为 Speaker N - VoiceName）
• 文本框：textarea[aria-label="Speech block text"]

要添加新区块：点击 button.add-speech-block-button。默认情况下，新区块会沿用上一个区块的说话人。

要根据脚本填充 Composer：

1. 确保现有区块符合需求（如有多余区块，可使用每个区块上的“×”按钮删除）。
2. 为脚本中的每一行确保都有一个区块；点击“add speech block”以创建更多区块。
3. 设置每个区块的文本（textarea[aria-label="Speech block text"]，按 DOM 顺序索引）。
4. 设置每个区块的说话人标签（参见步骤 5）。

5. 选择声音

右侧的 说话人设置 面板会为每位活跃说话人显示一张卡片（说话人 1、说话人 2，……）。点击卡片会打开完整的声音选择器抽屉，其中有 32 种声音。完整目录及其角色特征请参阅 references/voices.md。

在声音选择器抽屉中：

• 音频档案 — 自由文本，例如“权威的新闻主播。”
• 导演备注 — 三个下拉菜单：风格（例如 Vocal Smile）、语速（例如 Rapid Fire）、口音（例如 American (Gen)）。
• 声音 — 可搜索列表。点击一种声音即可选中。

完成后，点击抽屉右上角的 × 关闭。演练场上的活跃声音卡片具有 class active-voice-card。

在 Composer 模式下，可以单独更改每个区块的声音标签——点击它会打开弹出菜单，可将该区块分配给说话人 1、说话人 2，……，或添加新说话人。

6. （可选）调整 Temperature

展开“模型设置”（右侧面板中，说话人设置上方）以显示 Temperature。范围为 0–2，默认值为 1。数字输入框是标签“Temperature”附近的 input.slider-number-input。数值越高，表达方式的变化越丰富。仅在用户提出要求时才调整。

7. 运行生成

点击 button.ctrl-enter-submits（右下角的“运行 Ctrl ↵”按钮），或在提示词区域获得焦点时按 Ctrl+Enter：

document.querySelector('button.ctrl-enter-submits').click();

生成通常需要 5–30 s，具体取决于内容长度。可通过检查音频播放器的时长计数器（渲染完成后，右侧的 0:00 / X:XX 会更新）或观察下载图标是否变为可用状态来确认生成完成。

8. 交接 / 下载

告知用户音频已准备就绪，并指出播放控件的位置。是否下载由用户决定——仅在用户要求获取文件时才点击下载（云朵箭头）图标。

提示词编写风格指南

• 行内标签应放在说话人所在行内，例如 Speaker 1: [whispers] don't tell anyone。它们不会跨行叠加。
• 场景用于描述声学效果 + 环境，而非台词。反例：“说话人 1 说嗨。”正例：“安静的厨房，晨光，混响极少。”
• Sample Context 用于描述表达语气，例如“播客风格，语速快，节奏略有重叠，充满活力且温暖。”
• 双主持人播客可使用 Puck（欢快 / 中等音高）+ Zephyr（明亮 / 较高音调），这是 AI Studio 的默认设置，也是稳妥的基准组合。其他选择请参阅 references/voices.md。

请勿执行的操作

• 不要登录、接受新的 ToS 或更改账户设置——这些操作均不允许。
• 未经用户明确要求，不要下载生成的音频。
• 渲染过程中，不要离开 AI Studio 标签页。
• 不要捏造声音名称——目录固定为 32 种声音（参见 references/voices.md）。如果用户要求的声音不在列表中，请推荐最接近的选项。
• 不要在 Angular 文本区域上执行 el.value = "…"，却不触发 input 和 change 事件；否则表单会恢复原状。请使用 references/selectors.md 中的辅助工具或 form_input。