【2026 最新】Gemini 3.8 TTS 繁中配音教學：逐字稿做成雙人 WAV（含費用與驗收）

你手上有一頁繁中訪談逐字稿：主持人問問題，來賓回答。把整頁貼進語音工具，可能很快聽到聲音；但要交給剪輯師，你還得知道誰說哪句、姓名與金額有沒有唸錯、音檔能否正常打開。這篇 Gemini 3.8 TTS 繁中配音教學，就是把這幾件事接成一條可檢查的工作流程。

本文寫給第一次做雙人配音的讀者。你會先用 Google AI Studio 試聲線，再依官方 Gemini API 範例把一份短腳本寫成 WAV，最後用逐段驗收表決定是否返工。就算不寫程式，也能先用前半段的方法整理逐字稿與判斷成品。

先說結論：可交付的雙人配音要過四關

一句話記住：雙人 WAV ＝ 逐句定稿 × 固定角色 × 正確輸出 × 人耳驗收。模型負責把文字變聲音；你負責確認稿件、發音、聲線與權利。把它想成錄音室：逐字稿是台詞，speech_metadata 是給演員的導演提示，WAV 是母帶，驗收表是交件前的校對。

Gemini 3.8 TTS 繁中配音：先選對入口與模型

Google 在 2026 年 9 月推出 Gemini 3.8 Flash TTS 與 Flash-Lite TTS。這裡的 TTS 是「文字轉語音」：你提供要朗讀的文字，取得音訊；它與用來即時對談的 Live API 是不同工作流。Google 的官方繁中 TTS 指南列出兩款模型都支援繁體中文與雙人對話，但「支援語言」只是入口條件，不能替你的台灣口音、姓名或數字保證品質。

• AI Studio：從Google AI Studio進入語音測試，先試聽預設或擴充聲線。這適合決定角色聲音與驗證短稿；實際按鈕以登入後介面為準。
• Gemini API：從 AI Studio 建立專案與 API key，再由程式送出結構化的逐句台詞，適合反覆輸出、留版本與核算成本。金鑰屬於專案，存成環境變數 GEMINI_API_KEY，不要貼進逐字稿或公開程式庫。可依官方 AI Studio 入門取得金鑰。
• 選 Flash 還是 Flash-Lite：先用 Flash-Lite 做草稿，正式配音若在難字、情緒或方言上需要更細緻的控制，再用同一份腳本比較 Flash。兩款使用相同 API 結構；價格不同，聲音好壞仍要聽同一段稿判斷。

開始前打開 AI Studio 的專案方案與用量頁。Google 計費指南說明免費與付費專案的資格；價格頁也區分兩種級別的資料使用方式。工作稿若含未公開的人名或客戶內容，先確認你使用的是哪個專案與級別，再決定要送入哪些文字。

第一關：把逐字稿整理成「一人一句」

不要把「主持人：」「來賓：」直接當成要朗讀的台詞。Gemini 3.8 把 text 視為逐字稿；說話者要放在每回合的 speech_metadata.speaker，語氣放在 style。一頁原稿先拆成短回合，順序與標點固定，讓你聽到錯誤時能回頭定位那一句。這也是官方雙人請求範例使用的結構。

例如這段示範腳本，先保留一個需要驗收的姓名、一個需要驗收的數字與一個停頓：「主持人：林以安，今天先看二○二六年九月的報告。來賓：好，第三季收入是新台幣一千二百萬元。<short pause> 我們先核對單位。」這些名字和數字是練習素材，不是任何公司的真實財報。

• 姓名：把容易多音的字另列「預期讀音」，試聲時只改該回合，不必重做整篇。
• 數字：稿面若寫 12,000,000，先決定成品要唸「一千二百萬」還是逐位唸；幣別、年份、百分比也各記一行。
• 口音：把「繁體中文文字正確」與「台灣口音自然」分成兩項。前者可對稿；後者要找熟悉該口音的人試聽，同一位說話者至少跨兩段比較。

第二關：設定兩位講者、語氣與停頓

雙人模式像配音名冊：先在 speech_config.speakers 指定 Host 與 Guest 對應的預設聲線，再讓每個回合的 speaker 與名冊完全一致。官方範例採 mode: conversational，同一請求最多兩位說話者。第一次先用預設聲線 Puck 與 Kore，便於排除自訂聲線帶來的變數。

style 調整整句的演法，例如 calm and clear；<short pause> 放在台詞中，表示那一個位置的短停頓。官方建議非英文逐字稿仍使用英文行內標記。不要把「用台灣口音、聲音永遠一致」寫成冗長指令塞進每句；先試選適合的聲線，再用少量風格提示微調。

第三關：照官方 API 結構輸出雙人 WAV

以下範例沿用Google 的 Python 雙人 TTS 請求，只把英文台詞改成上面的練習稿。先裝官方 SDK：python3 -m pip install -U google-genai。依官方入門頁設定 GEMINI_API_KEY 後，把下列程式存成 make_voice.py，執行 python3 make_voice.py。SDK 依環境變數取金鑰；程式不把金鑰寫在檔案裡。

import base64
from google import genai

client = genai.Client()
lines = [
    ("Host", "林以安，今天先看二○二六年九月的報告。", "calm and clear"),
    ("Guest", "好，第三季收入是新台幣一千二百萬元。<short pause> 我們先核對單位。", "warm and steady"),
]
content = [
    {"type": "text", "text": text,
     "annotations": [{"type": "speech_metadata", "speaker": speaker, "style": style}]}
    for speaker, text, style in lines
]
interaction = client.interactions.create(
    model="gemini-3.8-flash-tts",
    input=[{"type": "user_input", "content": content}],
    response_format={"type": "audio"},
    generation_config={"speech_config": {
        "mode": "conversational",
        "speakers": [
            {"speaker": "Host", "voice": "Puck"},
            {"speaker": "Guest", "voice": "Kore"},
        ],
    }},
)
with open("dialogue.wav", "wb") as file:
    file.write(base64.b64decode(interaction.output_audio.data))
print("已儲存 dialogue.wav")

這份最小範例專注在請求結構：它省略了正式系統需要的逾時、重試、空回應檢查與安全記錄。若要批次製作，請依官方 API 錯誤說明處理失敗請求。Gemini 3.8 的一般非串流請求預設回傳帶 RIFF 標頭的 WAV；把解碼後的資料直接寫檔即可。舊版 TTS 教學常把原始 PCM 再包一次 WAV 標頭，照搬到這裡會弄壞音檔。

存檔後先確認播放器能打開；懂終端機的讀者可用 file dialogue.wav 檢查檔案類型，再用 ffprobe dialogue.wav 檢查取樣率、聲道與時長。播放器打得開，也只代表容器可讀；內容、口音與說話者仍要聽。若你改走 stream=True，官方說明串流預設回來的是沒有 WAV 標頭的 PCM 區塊，不能把那一路的位元組直接改名成 .wav。

第四關：Gemini 3.8 TTS 繁中配音如何驗收？

把每個回合編號，建立四欄工作簿：原句／聽到的內容／問題位置／處置。先盲聽一次，不看逐字稿；再逐句對稿一次。每次重做只改一個變數，例如先修文字數字，再調聲線，不要同時換模型、口音和語速，否則無法知道哪項有效。

• 文字忠實：姓名「林以安」、年份「二○二六」、金額「一千二百萬元」各圈出來；若漏字、加字或數字讀錯，標回合並修稿。
• 聲線分工：Host 與 Guest 在開頭、中段、結尾是否仍分得出來？若交換或漂移，記下時間點與原始設定。
• 台灣口音：找熟悉目標口音的聽者，記具體詞句與偏差；不要只寫「不自然」。必要時改選聲線或用語音設計建立角色。
• 停頓與剪輯：停頓是否落在標記處、是否拖太久、句尾是否被切斷？檢查整段時長與安靜片段，再決定重做哪一段。
• 檔案交接：交付 dialogue.wav、定稿逐字稿、角色與模型設定、返工紀錄。若有聲音授權，保存同意與使用範圍紀錄。

費用、免費額度與聲音複製的邊界

截至 2026 年 9 月 26 日，Google 的Gemini API 價格頁列出 2026 年底前的付費標準：Flash TTS 文字輸入每百萬 token 0.50 美元、音訊輸出 9 美元；Flash-Lite TTS 文字輸入同為 0.50 美元、音訊輸出 6 美元。Google 以每秒音訊約 25 個 token 作換算。假設成品剛好 3 分鐘，單算音訊輸出約 4,500 token，Flash 約 0.0405 美元，Flash-Lite 約 0.027 美元；文字輸入、重試與返工另計。這是價格公式示例，不是本篇生成音檔的帳單。專案目前可用的免費額度與速率限制，應到 AI Studio 的方案及限制畫面核對。

若只要兩位虛構主持人，先用預設或語音設計的聲線。若要複製真人聲音，Google 要求參考音訊與聲音本人另外提供的同意錄音；你也應保存授權範圍及可撤回安排。尤其要分清：官方單次雙人請求只支援預設聲線。要讓兩位複製或自訂聲線對話，依官方限制逐回合各自合成，再在剪輯軟體對齊、合併；不要把兩個 voice_... ID 塞進上面的雙人設定後期待同一請求成功。真人聲音不是本篇範例的必要材料。

常見問題：從試聲到交件

1．一定要會寫程式嗎？

試聲不用。先在 AI Studio 選模型、角色與短稿；需要固定結構、留版本並批次輸出時，再使用 API 範例。

2．可以直接上傳一份文字檔嗎？

先把內容拆成回合。本篇示範的 API 以文字項目與說話者中繼資料送入；文字檔可當你的原稿保存，複製內容前先整理角色及數字讀法。

3．為什麼「主持人：」被唸出來？

角色標籤放錯位置。把說話者放進 speech_metadata.speaker，台詞 text 只留想讓聽眾聽到的字。

4．台灣口音能靠一句提示詞保證嗎？

不能保證。先挑接近目標的聲線，拿固定的姓名與數字題試聽；在驗收表記具體讀音，再比較其他聲線或模型。

5．為什麼 WAV 打不開？

先分清回應格式。一般請求預設是完整 WAV，直接存解碼資料；串流預設是原始 PCM。也要檢查程式是否拿到實際音訊資料，避免把空回應當音檔。

6．三分鐘的費用就是 0.0405 美元嗎？

不是完整帳單。那只是假設 3 分鐘、Flash 付費級別、2026 年底前價格的輸出音訊換算；輸入文字與重做次數要另外記。

7．雙人對話能用兩個複製聲線嗎？

同一次雙人請求依官方限制要用預設聲線。自訂或複製聲線的兩角色成品，分回合生成後再剪接，並保留聲音使用同意。

8．長篇有聲書要怎麼開始？

先用短章節建立驗收基準。固定聲線、模型、逐字稿格式與計價紀錄；每章先通過姓名、數字、聲線、停頓四項，再擴大製作。不要把單段成功直接推論成數小時成品穩定。

給新手的三個重點

1. 先選兩個預設聲線，用兩回合短稿證明角色分工與檔案輸出。
2. 把「台詞」「說話者」「語氣」「停頓」放在各自的欄位，別用一大段提示詞混寫。
3. 每次重做都留原檔、設定與問題位置；只有可追溯的驗收，才談得上可交付。