前情提要
在上一篇實戰中，我們利用 Gemini 3.1 Flash Live 實現了語音辨識，並透過 Gemini 2.5 Live API 的「側擊」方式勉強達成了朗讀摘要（TTS）功能。
但就在 2026 年 4 月，Google 正式發佈了 Gemini 3.1 Flash TTS。這是一個專門為語音輸出設計的原生模型，不再需要掛載 Live WebSocket，直接透過標準的 generate_content 流程就能輸出高品質音訊。
身為開發者，有更優雅、更原生的方案當然要立刻跟上。這篇文章就來分享如何把 LINE Bot 的朗讀摘要功能升級到 Gemini 3.1 Native TTS，以及過程中踩到的「異步大坑」。
技術升級：從 Live API 轉向 Native TTS
之前的朗讀功能是利用 Gemini 2.5 Live API 模擬出來的，雖然可用，但有幾個缺點：
- 複雜度高：需要管理 WebSocket 連線生命週期。
- 模型限制：必須使用特定的
native-audio模型，且主要支援在us-central1。 - 回傳格式固定：採樣率通常固定在 16kHz。
Gemini 3.1 Flash TTS 的出現改變了這一切：
- 模型名稱：
gemini-3.1-flash-tts-preview。 - 介面一致：使用熟悉的
generate_content_stream。 - 動態參數：支援從回傳的 MIME type 自動偵測採樣率（通常提升到了 24kHz，音質更好）。
核心程式碼進化（tools/tts_tool.py）
新的實作變得更加簡潔，重點在於 response_modalities=["audio"] 這個設定：
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=[
# 加入在地化指令，讓語氣更自然
types.Part.from_text(text=f"請使用台灣用語的繁體中文，以親切且自然的語氣朗讀以下摘要內容。## 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 # 預設值
try:
# ⚠️ 這裡就是那個差點讓我修到天亮的大坑
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)
# 從 MIME type 動態取得採樣率（例如 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)
# 後續同樣透過 ffmpeg 轉成 m4a 傳給 LINE...
踩過的坑：那個消失的 await
這次升級遇到一個非常隱晦的 TypeError，在遠端部署後一直噴出：
TypeError: 'async for' requires an object with __aiter__ method, got coroutine
❌ 錯誤寫法
當初照著範例寫，直覺地以為可以直接 async for 一個 method：
# 這是錯的！
async for chunk in client.aio.models.generate_content_stream(...):
pass
✅ 正確解法
在 Google GenAI Python SDK 的非同步版本中，generate_content_stream 本身是一個 async 函式，它會回傳一個 iterator。所以你必須先 await 拿到那個 iterator，然後再對它進行 async for。
# 正確做法：分兩步
response_stream = await client.aio.models.generate_content_stream(...)
async for chunk in response_stream:
pass
這個細節在一般的同步程式碼或某些舊版 SDK 中不一定存在，但在處理 3.1 Flash TTS 的非同步串流時，這是能否成功跑起來的關鍵。
在地化調整：讓 Bot 說「台灣話」
雖然摘要本身已經是繁體中文，但 TTS 模型在朗讀時，有時會帶有非本土的腔調或用語。我們透過 Prompt Engineering 解決了這個問題：
「請使用台灣用語的繁體中文，以親切且自然的語氣朗讀…」
加入這行指令後，Gemini 輸出的音訊在語調起伏和斷句上更接近台灣使用者的習慣，大大提升了「朗讀摘要」的親和力。
總結：Native TTS 帶來的改變
從 Live API 遷移到 Native TTS 之後：
- 連線更穩定：不再需要維持一個長時間的 WebSocket。
- 音質提升：原生支援 24kHz 採樣率。
- 維護容易：程式碼量減少了約 30%，邏輯更直接。
這次經驗也提醒了我，即使是看似成熟的 SDK，在處理 async 模式時仍要仔細檢查回傳值類型。
如果你也想讓你的 LINE Bot 開口說話，Gemini 3.1 Flash TTS 絕對是目前的最佳選擇。
完整程式碼已更新至 GitHub，我們下次見！
