一、前言

前兩天面試了師爺的「能看、能寫」和「能畫、能唱、能拍」，
今天是最後一關：能說、能聽、能聊。

Day3 整理認知刺激的研究時，有一個實作的小期盼：

家人一起參與問答遊戲，
嘗試能不能實作 Google Cloud Speech-to-Text 的 Speaker Diarization。

Speaker Diarization 是「分辨說話者」：
不只把聲音轉成文字，還要分出哪一句是誰說的。

可惜目前 Cloud STT 的繁體中文（台灣）不支援這項功能；
今天換 Gemini 3.5 Transcribe 試試看，能不能完成這個期盼。

今天老爺想問師爺三件事：

• 師爺念題目，長輩聽得清楚嗎？能不能用家人的聲音念？
• 師爺聽得出「怕、踏、卡、啦」，也分得出是誰在說話嗎？
• 全家一起聊天時，師爺知道什麼時候該開口嗎？

今天就在 Google AI Studio，完成師爺的最後一關面試！

二、新幫手與免費層

（一）最近六週才推出

今天要面試的三類模型，都是最近才推出的（官方發布紀錄）：

9 月 22 日同一天，還推出了 Voice design（用文字描述做出新聲音）、
Voice replication（複製真人的聲音），以及 150 種以上的聲音庫。

師爺的這些新本事，都是最近六週才學會的。

（二）三類都有免費層

Day19 的才藝課要另外繳學費；
今天這三類，在官方價格頁的 Free Tier 欄位，都寫著 Free of charge：

TTS 的價格，2027 年 1 月 1 日起翻倍。

同一張價格表上，免費層的「Used to improve our products」寫的是 Yes：
送進免費層的內容，會用於改進 Google 的產品。
Day18 也提過，免費層的條款要求：不要送出敏感、機密或個人資訊。

額度方面，AI Studio 左側選單的「Rate Limit」頁，
會列出每個模型的上限。

我用一個沒有綁定付款方式的帳號（免費層），
跟付費的專案（Tier 1）對照：

• RPM：每分鐘最多幾次請求。
• TPM：每分鐘最多多少輸入 token。
• RPD：每天最多幾次請求，太平洋時間午夜重置。

今天的三類模型，免費層的額度都不是 0，
跟 Day19 的 Nano Banana 2 Lite 不一樣：
看起來不只 AI Studio 能免費試，API 也有免費額度。

但額度比較少：
免費層的 TTS 每天 10 次，付費的 Tier 1 也只有 100 次。
Live 的請求次數沒有上限，限制的是每分鐘的 token。

不用開兩個帳號也能比較：
Rate Limit 頁右上角的「Compare tiers」，可以選 Tier 1～3，
每個數字旁邊會多一個「+」，顯示跟目前等級差多少。

實際用 API 呼叫、打到上限會怎樣，留到 API 篇實測。

免費層帳號在 AI Studio 的試用結果：

三、能說：TTS

（一）兩個 TTS 模型

TTS（Text-to-Speech）是把文字念成語音。

官方說明的分工：

兩個模型的語言清單，都有「Chinese (Hant script)」（繁體中文），
但沒有台語。

TTS 和今天後面的 Live 都會說話，差別在：
TTS 是照稿念，一字不差；Live 是對話，邊聽邊回。
念題目、念口令，交給 TTS；要跟長輩一來一往地聊，交給 Live。

（二）念題：語氣與停頓

3.8 TTS 的新寫法，把「念什麼」和「怎麼念」分開：

• 文字：一律照念，不能夾帶「請溫柔地念」這類指示，不然會被念出來。
• 語氣（style）：整段話的情緒、速度，例如 speaking slowly。
• 行內標籤：某個位置的停頓或聲音，例如〈short pause〉、〈long pause〉。

文字是中文時，官方建議 行內標籤還是用英文。
官方也建議 先不加語氣 念一次，真的需要再加短短的語氣。

這次拿 Day18 師爺出的題目來念。
長輩需要時間想，所以在題目和選項之間加停頓：

照片中這條項鍊的墜飾，
上面雕刻的是哪一種莊嚴的形象呢？<short pause>
是菩薩，<short pause> 還是動物？

① 在 Playground 右側的 Run settings，模型選 Gemini 3.8 Flash TTS

② 在文字框貼上題目，上方有三個設定：

• Speaker：選聲音，預設是 Fola。
• Style：選語氣。
• 〈 〉+ Expression：點了會出現 argh、breath、cheer 等標籤，
  可以插進文字裡。

③ 按右下角的 Run，下方出現播放列，可以試聽、下載

每一段文字右上角的 ▶ 是「Preview this block」，只試聽那一段；
要產生可下載的音檔，要記得按 Run。
(我第一次用的時候，還以為只能線上聽，沒注意到 Run。ＸＤ)

④ 同一段題目，Flash 和 Flash-Lite 各念一次：

四個實測音檔（聲音都是預設的 Fola），點連結會下載 wav 檔：

• 3.8 Flash TTS(有加停頓標籤)
• 3.8 Flash TTS(沒有停頓標籤)
• 3.8 Flash-Lite TTS(有加停頓標籤)
• 3.8 Flash-Lite TTS(沒有停頓標籤)

介面上還能按「Add speech block」加第二位說話者，
官方說明一次最多兩位。

（三）Voice design：用文字描述做聲音

Voice design 用一段文字描述，做出一個新的聲音，
存在專案裡，之後每次都能叫出同一個聲音。

官方建議描述裡寫不會變的特質：年齡、性別、音色、口音；
情緒留給語氣（style），一兩句就好。

TTS 有免費層，但在 AI Studio 用免費帳號，
Voice design 和 Voice replication 需要先連結付費API才能使用。
「Voice Design runs on the paid tier. Link a paid API key to continue.」

（四）Voice replication

Voice replication 用一小段錄音，複製一個人的聲音。

像說書人的口技：聽過一次，就學得維妙維肖。

快問快答原本就能讓家人錄音念題（Day6）；
如果能複製家人的聲音，
師爺新出的題目，也能用熟悉的聲音念給長輩聽。

官方規定要準備兩段錄音，而且是同一位成年人：

兩段錄音，官方建議用同一支麥克風、在同一個環境錄：
它會比對兩段是不是同一個人，條件一致比較容易通過。

也就是說，只能複製願意親自錄音、親口同意的人的聲音。

如果用在 App 裡，也應該讓長輩知道：
這是用家人的聲音念的，不是家人本人。

① Create new voice → Voice Replication

② 「Add a voice sample」：錄一段參考音

畫面寫著：「Twenty seconds of natural speech works best. A story, not a monotone.」
也就是自然地說話 20 秒左右。

③ 「Verify it's you」：按 Record verification，念出畫面上的同意聲明

"I am the owner of this voice and I consent to Google
using this voice to create a synthetic voice model."

④ 取名字，按「Replicate voice」

Create voice 的選項卡寫著「Upload or record a sample」，
但實測時，兩段都只能在瀏覽器現場錄音，不能上傳音檔。

⑤ 驗證

第一次沒有照畫面上的英文念，按下 Replicate voice 就失敗了：

Consent flow failed.
The recorded phrase didn't match the text on screen.
Please read the prompt exactly as written.

同意聲明要一字不差，照畫面上的英文念。

重新錄一次英文聲明，就成功了：
畫面顯示「aaron is ready」，聲音已經存進聲音庫，
Speaker 的下拉選單也能直接選。

⑥ 用複製的聲音念念看

我用複製的聲音，念了 Day18 的題目和幾句問答。
自己聽起來，不太像我本人，主要是音色不像。

不過，後面「分辨說話者」的實測，會看到一個意外的結果。

複製的聲音存在專案裡，
最後一次使用後保存 1 年，每個專案最多 200 個（跟 Voice design 共用）。

四、能聽：Transcribe

（一）跟俠客 Cloud STT 比一比

Gemini 3.5 Transcribe 是專門把語音轉成文字的模型，
跟 Day12 的俠客 Cloud STT 做的是同一件事。

Cloud STT 的支援語言表，
cmn-Hant-TW 的 chirp、chirp_2、chirp_3，「Diarization」欄位都是空的。
Day3 想做的分辨說話者，Cloud STT 目前還未支援繁體中文台灣。

（二）設定：四個開關

選 Gemini 3.5 Transcribe 之後，右側的 Run settings 有這些設定：

官方說明，有些開關不能同時用：

• 自訂詞彙：不能和時間戳、說話者標籤一起用。
• Smart：也不能和時間戳、說話者標籤一起用。

實測打開 Smart 時，時間戳和說話者標籤會自動變成灰色、不能點。

所以下面分幾輪測，每一輪都開新的 Playground。

（三）怕 × 8：重複的字留得住嗎

Day16的 Cloud STT，「怕」念八次只回五個字，
官方有回覆這是刻意設計的安全機制，
用來避免模型在靜音或模糊音訊時產生幻覺、陷入無限重複。

我們今天試試 Transcribe 能不能完整輸出重複字 怕 × 8 ！

Transcribe 有兩種模式：

照字面看，健口操要數次數，應該用 Verbatim。

用Day16同一份錄音（我自己念的「怕」× 8），
Primary language 選 Chinese (Traditional)，其他維持預設：

八個「怕」，一個都沒少。

• Verbatim：每個「怕」後面都加了句號，看起來把每一聲當成一句。
• Smart：官方說明會整理結巴、贅字這類說話時的不流暢；
  這份錄音是一聲一聲清楚念的，沒有結巴或贅字，八個「怕」都完整保留。
• 字：兩種模式都是「怕」，沒有變成同音的「帕」。

時間戳的部分，介面只顯示整段的時間（00:01～00:11），
看不到每一個「怕」的時間點；
要用來算念的節奏，留到 API 篇看回傳的資料。

（四）十是四：念錯的地方留得住嗎

練繞口令時，會想知道自己哪裡念錯。

Day16 那份把「十是十」念成「十是四」的錄音：

四是四，十是四，十四是十四，四十是四十。

兩種模式都沒有留下「十是四」。

• Verbatim：整句變成一串阿拉伯數字，「是」字都不見了。
• Smart：只留下最後一小段「40是40」，前面三段都沒了。

正確念的版本這次沒有測；
念錯時，Transcribe 跟 Day16 的 Cloud STT 一樣，
看起來還沒辦法用來找出繞口令念錯的地方。

（五）分辨說話者：誰說了什麼

終於來到 Day3 的願望。

只有我一個人能錄音，
所以用我自己的錄音，跟 TTS 的聲音輪流說話，接成一段對話：

「另一個聲音」換兩種，各做一段：

上傳到 Transcribe，時間戳和說話者標籤都開著：

實測影片：
https://youtu.be/gXP_aMcXExY

分辨說話者有作用，但分不出真的我和複製的我。

同樣是男聲的 Bodi，6 句都分對了；
複製的聲音，卻 6 句都跟我算成同一個人。

看起來，複製的聲音雖然我自己聽起來不太像，
在模型「聽」起來，跟我是同一個人。

五、能聊：Live API

（一）邊聽邊回的師爺

Live API 是即時的語音對話：
不用等錄完再送，師爺邊聽邊想、邊回答。

官方說明裡，跟長輩聊天最相關的三件事：

Proactive audio 在 3.8 Live 是固定開啟的。

全家聊天時，師爺懂得察言觀色，該聽的時候就聽。
這正是 Day18 說的：師爺不是取代家人，而是幫全家搭橋。

在 AI Studio 使用 Live API：

① Playground 右側點模型名稱，打開 Model selection

② 上方分類選「Live」，點 Gemini 3.8 Live

③ 畫面出現「Try the Live API」，可以選 Talk（說話）、Webcam（開鏡頭）、Share Screen（分享螢幕）

開始的畫面有三種方式：
Talk（說話）、Webcam（開鏡頭）、Share Screen（分享螢幕）。

對話時，畫面會同步顯示雙方說的話：

（二）系統指令：師爺的聊天守則

Day18 寫給師爺的工作守則(系統指令，System instructions)，
這次繼續沿用，再加上這次聊天需要的四條：

官方建議系統指令照「角色 → 對話規則 → 不能做的事」排列；

你是「健口動一動」App 的師爺，陪長輩和家人一起聊天。
請用繁體中文（台灣）的用詞回答。

開場：
- 先跟大家打招呼，說今天是幾月幾號、星期幾。

說話原則：
- 句子簡短，一次只說一件事。
- 用正面的說法，不說「不要」「錯了」。
- 長輩答錯時不糾正，換個方式給提示。
- 每題只給兩個選項。
- 問經驗和感受，不考記憶的對錯。
- 先問一題二選一，答完再接一個開放式的問題，
  用「什麼時候、在哪裡、跟誰、怎麼」開頭，
  不問「有沒有」「是不是」。
- 每題結束後，邀請長輩反問家人一個問題。
- 大家彼此聊天時，安靜聽就好；
  有人叫「師爺」再回答。
- 不提供醫療建議。

今天的話題：一張老照片，照片裡是一台紅色的大同電鍋。

（三）一個人的實測

家裡只有我一個人能測，
所以用「假裝跟家人說話」的方式，看師爺的反應：

實測影片：
https://youtu.be/EwZacF206Y4

師爺會等、會聽，也知道家人說話時不插嘴；
只是長輩停下、還在思考的時候，師爺沒有等待就先接下一段話

對「一起大冒險」來說，師爺當主持人看起來可行，
但長輩說話慢、會停下來想，「多久算說完」要調長一點；
API 可以調整VAD，留到 API 篇。

台語的部分：
官方語言清單都沒有台語，Live 會試著用台語回答，但聽起來不太像。

（四）如果要寫進 App

Live API 跟 Day17 的驛站一樣，用 WebSocket 連線；
不過官方建議，App 可以直接連到 Gemini，
用 ephemeral token（臨時權杖）取代 API 金鑰。

聘書（API 金鑰）不能交給 App，只能由鏢局發一張限時的臨時聘書。

這些要等到真的寫進 App，才測得出來，留到 API 篇。

六、費用

（一）設定花費上限

AI Studio 的 Spend 頁，可以設定專案每月的花費上限（實驗功能）。
今天實測前，我把上限設在 NT$300。
設好之後，按鈕變成「Edit spend cap」，金額旁邊多了上限：

這張也是今天實測的起點：NT$87.88，是 Day19 的花費。

（二）這次實測的花費

這次實測，AI Studio 的 Spend 頁：

Live 剛做完時，Spend 還是 NT$90.15，過了一段時間後更新成 NT$94.51。

官方說明，AI Studio 的帳單資料最多會延遲約 10 分鐘；
Live 之後增加的 NT$4.36，可能也包含前面幾項較晚入帳的費用，
各模型實際花了多少，要看帳單報表的明細。

今天全部加起來 NT$6.63，約 0.21 美元。

Rate Limit 頁也看得到今天用了多少：
3.8 Flash TTS 用了 18 次（Tier 1 每天 100 次），
3.8 Live 每分鐘最多用了 1.45K token（上限 150K）。

Live 的計費方式跟其他模型不一樣：
官方說明，每一輪都會把前面累積的對話一起計算，
而且 Proactive audio 開著時，師爺在聽的整段時間都算輸入。

七、小結

三天的面試，師爺展現了這些本事：

今天的重點：

• 能說（TTS）：
  文字照念，停頓用英文標籤 short pause 指定；
  複製聲音只能現場錄音，同意聲明要照英文一字不差地念。

• 能聽（Transcribe）：
  「怕」念八次留下八個，不再停在五個；繞口令念錯的地方還留不住。

• 分辨說話者：
  Day3 的願望做到了一半：分得出不同的人，

  但分不出真的我和複製的我XD

• 能聊（Live）：
  家人彼此聊天時不插嘴；
  長輩停下來想時會被搶話，要再調整。

師爺會說、會聽、會聊，最好的時候，是讓全家一起開口。

八、預告

師爺的面試到這裡告一段落。

接下來是正式聘用：
用 Gemini API，把「一起大冒險」和「一起畫畫」功能實作到健口動一動。

API 呼叫能不能走免費層、打到每分鐘和每日上限會怎樣，
也會在 API 篇一起實測。

明天開始：Gemini API 正式聘用！

感謝有緣看到這邊的你～
希望佛菩薩也祝福你：🌟開心順遂 健康平安🌟
南無觀世音菩薩🍀 南無地藏菩薩🏠 南無阿彌陀佛☀️