POST /v1/audio/speech 调用 Google TTS。你只需填写平台的 model、字符串 input 和顶层 voice；网关负责原生请求转换和音频处理。
目录分析
本页依据 2026-10-15 核对的 Google 模型目录快照及官方文档整理。目录同时包含文本、图像、Live 和 TTS 等模型；本文范围为 HTTP TTS，共有五个模型、70 个不同的预置音色 ID及 230 条模型与音色关联。 官方页面展示 30 个精选预置音色，目录中的 3.8 系列还列出 40 个新增音色。下表保留两组清单及对应的模型范围。
模型可用性以平台模型广场和实际账号为准。文件中的
models/ 是 Google 目录前缀；调用平台时使用已配置的模型 ID 或别名，例如 google/gemini-3.8-flash-tts。
清单完整覆盖上述目录快照。3.8 还支持 Google 动态语音库及项目自定义音色，因此 Body Schema 保持
voice 为名称或 ID，不锁定为 30 或 70 个枚举值。选择时需核对模型和账号权限。如何读音色信息
voice是调用时传入的准确名称，区分大小写，如Kore、Zephyr、Arlo。- 声线、音高、口音和用途是音色元数据，用于选择音色；它们不是可直接传给本接口的调节参数。
- 快照中的试听语言统一标为
en-US，不代表只能合成英语。语言覆盖范围取决于模型；官方说明 3.8 Flash 支持 130 多种语言，Flash-Lite 支持 100 多种。 - 两代模型对同一音色的用途标签可能不同，不能把某个推荐场景解释为功能限制。下表声线和音高按快照整理，点击 ID 可打开官方试听音频。
通用预置音色 · 30 个
这 30 个音色出现在快照中的全部五个 TTS 模型里，也与官方预置音色列表一致。Gemini 3.8 新增音色 · 40 个
以下音色在本次快照中的适用范围为 3.8 Flash / Flash-Lite TTS。区域口音和音色试听请参阅各音色链接。查看 3.8 新增音色清单
查看 3.8 新增音色清单
标准请求
扩展包括
language_code、speech_metadata、generation_config、multi_speaker_voice_config 和文本 contents。其中 generation_config 本次只展示已核对的 temperature 配置，不照搬整套 Google 原生参数。
当前 Google 适配先接收完整合成结果，再封装成
speech.audio.delta / speech.audio.done。stream_format=sse 不能理解为上游已经启用低延迟流式合成。WAV 自带容器头，PCM 没有文件头；采样率沿用实际音频信息。3.8 与旧预览版的差异
Gemini 3.8 把正文作为逐字朗读内容，风格指令应通过顶层instructions 或扩展的 speech_metadata.style 传入。2.5/3.1 的网关适配仍使用旧版提示文本，不能承诺与 3.8 完全一致的指令效果。
3.8 可以引用当前 Google 项目已有的 voice_... 或 voicekey_...，直接传入 voice 字符串或 { "id": "voice_..." }。本接口只消费已有音色，不提供创建、复刻或语音目录查询接口；也不把这些音色 ID 作为 2.5/3.1 的可用参数。
多说话人
当前网关支持最多两名说话人，使用extra_body.multi_speaker_voice_config 配置预置音色，并通过 extra_body.contents[].parts[].speech_metadata.speaker 对应每个轮次。