用 Gemini 3.8 text-to-speech 打造你自己的聲音

🧑‍🏫 這是 Google DeepMind 的宣傳短片，用「主角要替新的語音模型做一支宣傳片」當故事，一路示範怎麼用文字生出聲音、調整語氣、存下喜歡的聲音，再讓好幾個聲音一起演一場戲。值得看的地方是它把整個流程走一遍，你能很快知道這類工具現在做得到哪些事。

• 00:00 情境：主角要替新的 text-to-speech 模型做宣傳影片，先從旁白（voiceover）開始。
  ↳ 影片用一個情境開場：主角要做宣傳片，第一步是做旁白。voiceover 就是畫面外那個負責講解的聲音，像廣告裡看不到人的配音。
• 00:00 主角反覆示範想要的唸法（「Introducing, da da da da, Text to Speech」），來調整旁白的語氣。
  ↳ 主角自己哼出想要的節奏和停頓，讓模型照著唸。意思是你不必會寫專業指令，用嘴巴示範「我要這種感覺」也能調語氣。
• 00:00 把簡單的 prompt 轉成一致（consistent）、富表現力（expressive）的語音輸出，隨需取用（on demand）。
  ↳ Text to Speech 是把文字變成語音的技術；prompt 是你打給 AI 的指示。重點是每次生出來的聲音穩定不走樣、有情緒起伏，而且想要就能馬上生。
• 00:00 可為腳本中的對話場景再加入另一個聲音。
  ↳ 腳本裡如果有兩個人在對話，可以再加一個聲音進來，不用同一個聲音從頭唸到尾，聽起來才像真的在對話。
• 00:00 可從超過一千種現成（ready-to-go）的聲音中挑選。
  ↳ 內建一千多種現成的聲音可以直接選，不用從零開始設定，就像挑字型一樣先選一個接近的再說。
• 00:00 可以要求調整聲音，例如讓那個聲音再低沉一點。
  ↳ 選好的聲音不滿意可以直接開口要求修改，例如「再低沉一點」，用講的就好，不用去拉一堆技術參數。
• 00:30 聲音可以隨你想要的方式修改。
  ↳ 這句是在強調彈性：現成的聲音只是起點，你可以一路改到符合你心裡要的樣子。
• 00:30 可以挑選並放入你喜歡的已儲存聲音（saved voices），例如放進對話場景。
  ↳ saved voices 是你存起來的愛用聲音。調好的聲音存下來，下次直接拿出來放進對話場景，不用重新調一次。
• 00:30 可以在多說話者場景（multi-speaker scene）中指揮這些聲音怎麼演出。
  ↳ multi-speaker scene 是有好幾個說話者的場景。你可以像導演一樣，分別告訴每個聲音該用什麼語氣、怎麼演。
• 00:30 也可以改用自己的聲音：主角唸了一段燈塔看守人的句子作為示範。
  ↳ 除了用現成的聲音，也能換成你本人的聲音。主角唸一段燈塔看守人的句子，就是在錄一段樣本給模型參考。
• 00:30 可重現（recreate）你自己的聲音，並以快速的口頭身分驗證（verbal identity check）安全保護。
  ↳ 模型可以重現你的聲音，但要先通過 verbal identity check，也就是開口唸一段話來確認是本人，目的是防止別人拿你的聲音去仿冒。
• 00:30 結尾標語：Give your words a voice with Gemini audio。
  ↳ 結尾標語的意思是「用 Gemini 的語音功能，讓你的文字有聲音」，替整支片收尾，沒有新的功能資訊。

依字幕，重現（recreate）自己的聲音時，是用什麼方式來安全保護？