用途：把 Gemini 文本转语音模型当作虚拟配音演员来调度，通过设定角色、场景和导演笔记，塑造更具表现力与细节的语音表演。
主要能力：可创建详细的 Audio Profile（角色姓名、原型、背景）；设定场景的地点、情绪与环境；给出风格、口音、节奏等导演笔记；在文本中插入方括号内联音频标签（如 [sigh]、[laughing]、[enthusiasm]）控制情绪与非语音音效；支持“take 3 on the bounce”方式，在一次 TTS 请求中生成同一句台词的多个不同版本。
使用方式：生成音频时使用 gemini_audio_tts 工具（通过 gemini-multimodal MCP 服务器提供）。模型优先 gemini-3.1-flash-tts-preview（默认）或 gemini-2.5-pro-tts；音色从可用列表中选择，例如 Kore 偏坚定、Puck 偏轻快、Enceladus 偏气声，可用 list_gemini_voices 工具查看。提示词需按 AUDIO PROFILE、THE SCENE、DIRECTOR'S NOTES、TRANSCRIPT 四段结构组织。音频标签仅支持英文，但可与其它语言文本混用。
适用场景：需要虚拟配音角色、广播或播客风格旁白、带情绪起伏的广告或内容配音，以及需要多版本试音的场景。
限制：资料未提供具体收费、价格、平台支持范围与效果保证；音频标签为建议示例而非完整清单；具体参考文件（personas.md、take-3-strategies.md、audio-tags.md）内容暂未提供。