更新日期：2026 年 9 月 11 日。Gemini TTS 在 2026 年已經形成一條很清楚的產品線：Gemini 3.1 Flash TTS 主打更自然、可控、低延遲與 Audio Tags；Gemini 2.5 Flash TTS 則以更低價格與 Free Tier 吸引大量 API 使用；2.5 Pro TTS 則偏向更高品質的自然語音。對開發者而言，Gemini TTS 的差異化不只價格，而是 30 個 voices、multi-speaker、70+ 語言、自然語言導演與 Batch API。
先看結論：如果你要低成本測試、Free Tier、Podcast 對話、multi-speaker、Audio Tags 或大量 API 生成，Gemini TTS 很值得優先試；如果你主要需要最簡單的 OpenAI Speech API 整合，可一起比較 GPT-4o Mini TTS；若核心是 Voice Clone、Dubbing 與品牌 Voice，ElevenLabs 會更完整。
Gemini TTS 是什麼？
Gemini API 的 TTS 可以把文字直接生成單人或多人語音，並用自然語言控制 style、accent、pace、tone。它和 Gemini Live API 不同：Live API 更適合互動式、即時、非結構化語音對話；Gemini TTS 則更適合需要「照指定文字念出來」的 Podcast、Audiobook、影片旁白與內容生成。
目前官方支援的 TTS 模型包括 Gemini 3.1 Flash TTS Preview、Gemini 2.5 Flash Preview TTS 與 Gemini 2.5 Pro Preview TTS。
Gemini TTS 2026 價格
| 模型 | 文字輸入 | 音訊輸出 | Free Tier | Batch |
|---|---|---|---|---|
| Gemini 3.1 Flash TTS Preview | US$1／1M tokens | US$20／1M audio tokens | 有 | US$0.50／US$10 |
| Gemini 2.5 Flash Preview TTS | US$0.50／1M tokens | US$10／1M audio tokens | 有 | US$0.25／US$5 |
| Gemini 2.5 Pro Preview TTS | US$1／1M tokens | US$20／1M audio tokens | 無 | US$0.50／US$10 |
Google 官方說明，TTS 音訊大約以 25 audio tokens／秒換算。因此如果只比較純音訊生成成本，2.5 Flash Preview TTS 目前是三個模型中最便宜的付費選項。
3.1 Flash TTS 有什麼不同？
Gemini 3.1 Flash TTS 在 2026 年 4 月推出，官方定位是更自然、更有表現力、控制更細緻的新一代 TTS。它支援 70+ 語言、native multi-speaker dialogue，並加入 Audio Tags 與更完整的導演控制。
如果你需要角色演出、Podcast、故事、廣告旁白或需要同一 voice 在不同段落快速切換情緒，3.1 Flash TTS 的價值會比單純追求最低價格更高。
Audio Tags：直接在文字裡控制聲音
Audio Tags 是 Gemini TTS 很有特色的控制方式。你可以直接在 transcript 中加入像：
[whispers][shouting][laughs][serious][excitedly][very slow]
讓模型在特定段落改變語氣、速度或情緒。Google 也提醒，如果 transcript 不是英文，Audio Tags 仍建議用英文寫，通常會有比較好的結果。
30 個內建 Voices
Gemini TTS 目前官方文件列出 30 個 voice options，例如 Zephyr、Puck、Charon、Kore、Fenrir、Leda、Orus、Aoede、Callirrhoe、Autonoe、Enceladus、Iapetus、Umbriel、Algieba、Despina、Erinome、Algenib、Rasalgethi、Laomedeia、Achernar、Alnilam、Schedar、Gacrux、Pulcherrima、Achird、Zubenelgenubi、Vindemiatrix、Sadachbia、Sadaltager、Sulafat。
每個 voice 都有不同的描述，例如 Bright、Upbeat、Informative、Firm、Soft、Warm、Friendly 等。正式上線前，應用真實腳本在 AI Studio 直接比較，而不是只看文字標籤。
Multi-speaker：Podcast 與對話的優勢
Gemini TTS 支援 single-speaker 與 multi-speaker。這對 Podcast、訪談模擬、角色對話、教學對談特別實用，因為可以在同一次生成裡指定不同角色的 voices，而不是生成多個檔案再手動拼接。
如果你的內容本來就是兩人對談，Gemini TTS 會比只支援單 speaker 的簡單 TTS workflow 更省後製時間。
70+ 語言與中文
Gemini 3.1 Flash TTS 官方目前標示支援 70+ 語言。Gemini TTS 文件也列有 Mandarin Chinese（cmn）等語言，並會自動偵測輸入語言。
但「支援中文」仍不等於「台灣國語一定自然」。正式採用前建議測：
- 台灣繁體中文句型。
- 台灣品牌、人名、地名。
- 中英混合產品名稱。
- 數字、價格、百分比與日期。
- 長句、問句、情緒與多人對談。
如果你的核心受眾是台灣，應用完全相同的腳本比較 Gemini、OpenAI 與 ElevenLabs。
Gemini 3.1 Flash TTS vs 2.5 Flash TTS
| 比較 | 3.1 Flash TTS | 2.5 Flash TTS |
|---|---|---|
| 文字輸入 | US$1／1M | US$0.50／1M |
| 音訊輸出 | US$20／1M | US$10／1M |
| Free Tier | 有 | 有 |
| Batch | US$0.50／US$10 | US$0.25／US$5 |
| 重點 | 品質、表現力、Audio Tags、控制 | 低成本、低延遲、大量生成 |
如果只想大量生成一般旁白，2.5 Flash 的成本非常有吸引力；如果需要更細緻的情緒與演出控制，3.1 Flash 更值得。
Gemini TTS vs OpenAI GPT-4o Mini TTS
| 比較 | Gemini TTS | OpenAI GPT-4o Mini TTS |
|---|---|---|
| Free Tier | 3.1／2.5 Flash 有 | 目前不支援 |
| Voices | 30 | 13 |
| Multi-speaker | 支援 | 主要 Speech API 工作流偏單一 voice |
| 控制方式 | Prompt＋Audio Tags | Instructions＋speed |
| 最低付費成本 | 2.5 Flash US$0.50／US$10 | US$0.60／US$12 |
| 適合 | Podcast、多角色、Free Tier、大量測試 | OpenAI API 生態、產品內 TTS |
OpenAI 的完整指南可看 GPT-4o Mini TTS 2026 教學。
Gemini TTS vs ElevenLabs
Gemini TTS 的強項是 API、Free Tier、multi-speaker、Prompt／Audio Tags 與 Google AI Studio；ElevenLabs 則在 Voice Clone、Dubbing、Studio、Voice Library 與完整創作者工作流更成熟。兩邊不是完全同一種產品，應依工作流選擇。
需要完整 Voice 平台比較可看 ElevenLabs 2026 評測與教學。
Free Tier 要注意什麼？
Gemini 3.1 Flash TTS 與 2.5 Flash Preview TTS 目前都有 Free Tier；但 Google 官方 Pricing 同時標示，Free Tier 輸入可能被用來改善 Google 產品，Paid Tier 則標示不會。正式處理敏感、客戶或商業資料前，應依公司資料政策選擇合適層級。
SynthID：AI 音訊有浮水印
Google 官方說明，Gemini 3.1 Flash TTS 產生的音訊會加入不可感知的 SynthID 浮水印，以協助識別 AI 生成內容。這對企業、教育與公開發布內容是一個重要的治理差異。
常見問題
Gemini TTS 免費嗎？
Gemini 3.1 Flash TTS 與 2.5 Flash Preview TTS 目前都有 Free Tier；2.5 Pro TTS 則沒有 Free Tier。
哪個最便宜？
目前付費價最低的是 Gemini 2.5 Flash Preview TTS：文字 US$0.50／1M tokens、音訊 US$10／1M audio tokens；Batch 再減半。
可以做兩人 Podcast 嗎？
可以。Gemini TTS 支援 multi-speaker，可為不同角色指定不同 voices。
支援中文嗎？
支援 Mandarin Chinese 與多種語言，但台灣國語自然度仍應用你的真實內容測試。
Audio Tags 是什麼？
是在 transcript 內加入的自然語言標記，例如 [whispers]、[laughs]，用來控制特定句子的語氣、節奏與表現。
結論：Gemini TTS 的優勢是 Free Tier、多人語音與細緻控制
Gemini TTS 很適合需要低成本大量生成、Podcast 對話、多角色、Audio Tags 與 Google AI Studio 工作流的人。2.5 Flash TTS 更偏成本效率，3.1 Flash TTS 則偏品質與表達控制。若你已經在 OpenAI API 生態，可一起比較 GPT-4o Mini TTS；若需要 Voice Clone／Dubbing／Studio，ElevenLabs 仍然是另一種更完整的選擇。
完整市場比較請看 AI 語音工具推薦 2026。
