用一句话改声线，Gemini 会另存一把声音

一段课程旁白已经选好了声音，只想让它沉稳一点、少一点兴奋感，过去可能要重新写整套声线描述。Gemini 在 11 月 4 日推出的 Voice remixing 提供了另一种方式：选一把已有声音，只描述要改的部分，生成一把新的、可以重复使用的声音。

关键在“新的”。Remix 不会覆盖原声线，每次都会创建独立的 voice_... 资源。这样可以保留原版和几个候选，但也需要管理版本，不能把每次试错都当作原对象上的一次保存。

本文于 2026 年 11 月 11 日核对更新记录、Voice remixing 指南和语音合成文档。没有生成或试听音频，下面的提示和流程是创作方案，不是音质、中文发音或方言效果报告。

先决定改的是声线，还是这句话的语气

声音设计里有两个不同问题：“这个角色平时怎么说话”，以及“这一句怎样表演”。前者适合保存成声线，后者通常放在本次合成的风格指令里。

想做的调整	对应方式	是否需要新声线
以后都更成熟、音色更低	Remix 的相对描述	创建新 `voice_...`
这一句轻声说、下一句兴奋	`speech_metadata.style`	复用当前声音
从零设计一个角色	Voice design	走声音设计流程
依据真人录音复制声音	Voice replication	独立流程，需要相应授权

最后两项是相邻能力，不是 Remix 的另一个参数。本文使用预置声音，不拿真人录音示范，也不把“保持原有声音特征”的指令写成身份一致的保证。

长期声线变化创建新资源；临时表演在本轮合成中设置

对课程、播客或产品解说，先把稳定的人物声音定下来，再给少数段落加表演指令，通常比每一段都另建声音更容易维护。若目标是能听、能回答、能调工具的助手，还要另看Voxtral 的完整语音任务链，声线只是其中一个环节。

创建模型与合成模型分开记

官方接口使用 POST /v1beta/voices 创建 Remix，创建模型为 gemini-3.8-flash-tts。得到的 stored voice 可以用于 gemini-3.8-flash-tts 和 gemini-3.8-flash-lite-tts 的语音合成。不要因为后者能合成，就推导它也能承担声音创建。

下面是按当天官方原生协议写的完整创建请求，本文未执行。使用有权限的 Google 项目与对应 Key；它不是向 Nbility /v1/audio/speech 发送的请求：

curl --fail-with-body \
  https://generativelanguage.googleapis.com/v1beta/voices \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "store": true,
    "voice": {
      "model": "gemini-3.8-flash-tts",
      "type": "prompted",
      "prompted": {
        "base_voice": "Puck",
        "input": "Keep the existing accent and friendly character. Make the voice slightly lower and more measured."
      }
    }
  }' \
  --output remixed-voice.json

base_voice 可以是预置声音名、扩展声音库 ID，或当前项目拥有的已保存 prompted voice。store 对这种声音必须为 true。响应包含新 ID 和 sample_audio，后者是 24kHz WAV 预览的 Base64 数据；JSON 文件本身不是可直接播放的 WAV。

已有声音加相对描述生成新 ID 和预览，再将新 ID 交给合成模型

后续合成时，在原生 Interactions 请求的 generation_config.speech_config 中引用新 ID；需要临时表演时，在输入文字的 speech_metadata.style 中设置。具体多媒体请求结构以官方合成示例为准。若文件无法播放，先检查响应类型、Base64 解码和文件是否完整；可借用生成结果保存与校验的方法，但不要套用图片文件签名。

一次只改一两项，保留同一段试听稿

先选与目标语言和口音接近的基础声音，再尝试“降低一点音高”“更沉稳”这样的相对变化。官方建议每轮只改一两项，并先听预览再继续。它也说明，未明确要求时会保留基础语言和地区口音；这仍是能力说明，不是每次输出都符合预期的证明。

试听应复用同一段文字。比如准备三类句子：一个正常解释、一段包含日期和数字的说明、一句包含产品名的短句。逐项听是否漏字、重音是否合适、专有名词是否正确，再看声线变化。下面只是可替换的公开试音文字：

下一节介绍怎样整理会议资料，请先保留原始录音。
演示会议定在十一月十二日，上午九点三十分开始。
产品名称需要按词表确认，不要为听起来流畅而改写。

把候选 A、B 与原声放在相同文本和相近播放条件下比较。没听过的中文或方言，不因文档列出语言支持就写成“自然”“稳定”或“接近真人”。

声音 ID 也有范围与到期时间

当前官方条件是付费项目 Tier 1 或以上；每项目最多 200 把 stateful voices，由设计、Remix 和已保存的复制声音共用。保存不是永久承诺：有效期为最后使用后一年，合成或作为下一轮 base_voice 使用会刷新到期窗口，具体时间看 expire_time。

每个候选记录父声线、修改说明、试听结果与到期时间，供应用选择