用途：面向媒体制作流程，处理语音音频。Cloud Speech-to-Text（STT）用于把音视频转写为脚本、可搜索文本、字幕或说话人笔记，并生成 SRT/WebVTT 字幕、规划实时字幕；Cloud Text-to-Speech（TTS）用于合成旁白、对白原型、教学配音、IVR 提示或本地化音轨。
主要能力：STT 分 V1/V2，新流程建议 V2，含 recognizer 资源、区域化、客户管理加密密钥与音频自动检测；Chirp 3 Transcription 模型标识为 chirp_3，支持 StreamingRecognize、Recognize、BatchRecognize。字幕输出仅 V2 且用 BatchRecognize，可内联或写入 Cloud Storage。TTS 支持同步合成、长文本异步合成（写入 Cloud Storage，文档称最多 100 万字节输入，验证时为 Preview）、双向流式合成（Preview），以及 Chirp 3 HD、Gemini-TTS、Studio、Neural2、WaveNet、Standard 等声音家族；Instant Custom Voice 需白名单。
使用方式：短音频用 Recognize，长音频用 BatchRecognize，实时用 StreamingRecognize（V2 流式仅 gRPC，单条消息音频上限 25 KB，流式约 5 分钟需重开流）。TTS 同步请求需 input、voice、audioConfig，返回 base64 音频；长音频异步写 Cloud Storage。可用 SSML 控制停顿、缩写、日期等，但支持因声音家族而异。
限制：STT 默认不记录客户音频与转写，数据记录需主动开启；定价按成功处理时长计费，空响应也可能计费。Chirp 3 HD 在 global、eu、us 端点可用，但不属于区域化与数据驻留范围。自定义声音需官方访问、声音所有者同意与权利审查，官方要求录制同意声明与参考音频（各单声道、最长 10 秒）。本技能不用于通用音频编辑、音乐、降噪、混音或视频本地化；成品仍需剪辑、响度归一、同步与质检。模型 ID、区域、配额与价格须以官方文档为准。