如何将LINE Bot语音合成迁移到Gemini 3.1原生TTS？2026年台湾中文配置与避坑

Background (背景)

在之前的实践环节中，我们使用了 Gemini 3.1 Flash Live 实现了语音识别，并借助 Gemini 2.5 Live API谷歌Gemini的实时API，基于WebSocket，支持语音交互但复杂度高。 的“旁路”方法，勉强实现了文本转语音（TTS）功能。

然而在 2026 年 4 月，Google 正式发布了 Gemini 3.1 Flash TTS。这是一个专为音频输出设计的原生模型，不再需要 Live WebSocket全双工通信协议，允许服务器主动推送数据，常用于实时应用。，可以通过标准的 generate_content 流程直接输出高质量音频。

作为开发者，您自然希望立即跟进更优雅、更原生的解决方案。本文将分享如何将 LINE Bot基于LINE聊天平台的机器人，可通过API实现自动回复、语音播报等功能。 的语音总结功能升级到 Gemini 3.1 Native TTS，并揭示过程中遇到的“异步之坑”。

---

Technical Upgrade: From Live API to Native TTS (技术升级：从 Live API 到原生 TTS)

之前的阅读功能是使用 Gemini 2.5 Live API 模拟的。虽然可用，但存在几个不足：

Gemini 3.1 Flash TTS谷歌推出的原生文本转语音模型，可通过标准generate_content接口直接输出高质量音频，无需WebSocket。 的出现改变了这一切：

The table above is self-contained; no further translation is needed as each cell already includes bilingual content.

---

Core Code Evolution — tools/tts_tool.py (核心代码演进)

新的实现更加简洁，关键在于 response_modalities=["audio"] 设置：

async def text_to_speech(text: str) -> tuple[bytes, int]:
    client = genai.Client(api_key=GOOGLE_AI_API_KEY, http_options={"api_version": "v1beta"})

    contents = [
        types.Content(
            role="user",
            parts=[
                # Add localization instructions to make the tone more natural
                types.Part.from_text(text=f"Please use Traditional Chinese with Taiwanese vocabulary, and read the following summary in a friendly and natural tone. ## Transcript:\n{text}"),
            ],
        ),
    ]

    config = types.GenerateContentConfig(
        response_modalities=["audio"],
        speech_config=types.SpeechConfig(
            voice_config=types.VoiceConfig(
                prebuilt_voice_config=types.PrebuiltVoiceConfig(voice_name="Zephyr")
            )
        ),
    )

    pcm_chunks = []
    sample_rate = 24000  # Default value

    try:
        # ⚠️ This is the big pit that almost made me stay up all night fixing it
        response_stream = await client.aio.models.generate_content_stream(
            model="gemini-3.1-flash-tts-preview",
            contents=contents,
            config=config,
        )
        async for chunk in response_stream:
            if chunk.parts:
                for part in chunk.parts:
                    if part.inline_data:
                        pcm_chunks.append(part.inline_data.data)
                        # Get the sampling rate dynamically from the MIME type (e.g. audio/L16;rate=24000)
                        if part.inline_data.mime_type:
                            sample_rate = parse_rate(part.inline_data.mime_type)
    except Exception as e:
        logger.error(f"TTS Error: {e}")
        raise

    pcm_bytes = b"".join(pcm_chunks)
    duration_ms = int(len(pcm_bytes) / (sample_rate * 2) * 1000)

    # Subsequently, it is also converted to m4a via ffmpeg and sent to LINE...

上述代码展示了核心逻辑：使用 client.aio.models.generate_content_stream 并以 "audio" 作为响应模态，配合 SpeechConfig 指定语音参数（如 Zephyr 音色）。关键改进包括动态采样率提取和区域化提示。

---

The Pitfall: The Missing await (陷阱：缺失的 await)

本次升级遇到了一个非常微妙的 TypeError，在远程部署后持续出现：

TypeError: 'async for' requires an object with __aiter__ method, got coroutine

❌ Incorrect Writing (错误写法)

当我按照示例编写时，直觉上认为可以直接对方法进行 async for：

# This is wrong!
async for chunk in client.aio.models.generate_content_stream(...):
    pass

✅ Correct Solution (正确解法)

在 Google GenAI Python SDK 的异步版本中，generate_content_stream 本身是一个 async 函数，它会返回一个迭代器。因此你必须先 await 获取该迭代器，然后再对其执行 async for。

# Correct approach: two steps
response_stream = await client.aio.models.generate_content_stream(...)
async for chunk in response_stream:
    pass

这个细节在普通的同步代码或某些旧版 SDK 中可能不存在，但在处理 3.1 Flash TTS 的异步流时，这正是能否成功运行的关键。

---

Localization Adjustment: Making the Bot Speak "Taiwanese" (区域化调整：让机器人说“台湾腔”)

虽然摘要本身已是繁体中文，但 TTS 模型在朗读时偶尔会带有非本土的腔调或词汇。我们通过提示工程解决了这个问题：

"Please use Taiwanese vocabulary in Traditional Chinese, and read it in a friendly and natural tone..."

加入这行指令后，Gemini 输出的音频在语调、断句上更贴近台湾用户的使用习惯，大大提升了“听摘要”的亲和力。

---

Summary: Changes Brought by Native TTS (总结：原生 TTS 带来的变化)

从 Live API 迁移到原生 TTS 后：

这次经验也提醒我，即使看似成熟的 SDK，在处理 async 模式时也应仔细检查返回值类型。

如果你也希望让 LINE Bot 开口说话，Gemini 3.1 Flash TTS 绝对是目前的最佳选择。

完整代码已更新至 GitHub，下次见！

常见问题（FAQ）

为什么需要从Live API升级到Gemini 3.1原生TTS？

Live API需要管理WebSocket连接生命周期，模型受限且采样率固定为16kHz。原生TTS使用标准generate_content_streamGoogle GenAI SDK中的异步流式生成方法，用于逐步获取模型输出。接口，支持动态采样率（24kHz），连接更稳定，代码量减少约30%。

Gemini 3.1 Flash TTS的模型名称和核心配置是什么？

使用异步版本SDK时最常见的错误是什么？如何解决？