自动字幕 vs Gemini 3.1 TTS：2026 指南
自动字幕和 Gemini 3.1 Flash TTS 都能提升视频效果，但它们解决的是相反的问题。自动字幕把视频中已有的语音转成屏幕上的文字，而 Gemini 3.1 Flash TTS 把写好的脚本转成语音。
一句话总结
自动字幕接收已有语音的视频，返回带字幕的视频，方便静音观看。Gemini 3.1 Flash TTS 接收文字脚本，生成配音。有带对白的素材时用字幕，只有脚本时用 TTS，制作真人出镜讲解视频时再搭配 Lip Sync。两者都按积分计费，每次运行任务前应用内都会显示费用。
自动字幕和 Gemini 3.1 Flash TTS 都能提升视频效果，但它们解决的是相反的问题。自动字幕从已有音频中提取文字并显示在屏幕上；Gemini 3.1 Flash TTS 则把写好的脚本转成语音，用于配音。Flixly 两者都提供，你可以单独使用其中一个，也可以把它们串联到同一个工作流中。
什么是自动字幕？
自动字幕会转写视频中的语音，并以与时间轴同步的文字显示在屏幕上，让观众在静音时也能看懂内容。Flixly 的自动字幕工具接收你的视频，返回一个字幕已渲染进画面的新视频。
自动字幕生成器的主要功能
- 输入：已包含语音的视频。
- 输出：带字幕的视频，可直接下载和发布。它不是字幕文件（SRT/VTT）编辑器。
- 准确度：很大程度上取决于音频质量。语音清晰、背景噪音少时效果最好；音乐过响、混响或多人同时说话会导致更多错误。
- 最适合：社交媒体短视频、真人出镜讲解、教程，以及任何在静音状态下观看的内容。
先做个测试：上传一段简短的真人出镜视频，启动任务，然后检查带字幕的结果。如果有识别错误，就改善音频（减少背景噪音、让麦克风离得更近）后重新运行。运行前会显示所需积分。
Gemini 3.1 TTS 详解
Gemini 3.1 Flash TTS 是 Google 的文字转语音模型，在 Flixly 的文字转语音工具中与 ElevenLabs Multilingual V2、OpenAI TTS 和 F5-TTS 等其他语音模型一起提供。你可以在我们的 Gemini TTS 替代方案页面查看它与其他工具的对比。注意，它是语音模型，与视频模型 Gemini Omni Flash 没有关系。
Gemini 3.1 TTS 的优势
- 表达自然：现代神经网络 TTS 对停顿和语调的处理远胜过去的机械音。
- 脚本优先：每个字都由你掌控，非常适合先写脚本再录制的讲解视频、广告和旁白。
- 多语言：当你需要把同一份脚本配成不同受众的语言时很有用。请在应用内的语言列表中确认你的目标语言。
- 无需录音设备：不用麦克风、录音棚，也不用反复重录。
在 Flixly 上的工作流：把脚本粘贴到文字转语音中，选择 Gemini 3.1 Flash TTS 和一个音色，生成后试听。如果想让画面中的讲话人说出这段话，把音频和该人物的视频一起放进 Lip Sync。生成前会显示费用。
正面对比
| 功能 | 自动字幕（Flixly） | Gemini 3.1 Flash TTS（通过 Flixly） |
|---|---|---|
| 主要用途 | 把已有语音转成屏幕文字 | 把脚本转成语音 |
| 输入 | 含语音的视频 | 文字脚本 |
| 输出 | 带字幕的视频 | 音频文件 |
| 质量取决于 | 源音频的清晰度 | 脚本写法和音色选择 |
| 费用（Flixly） | 应用内显示 | 应用内显示 |
| 同步 | 与源视频中的语音对齐 | 通过 Lip Sync 与视频配对 |
| 最适合 | 社交短视频、无障碍访问、静音观看 | 旁白、讲解视频、配音 |
如果你已有带对白的素材，自动字幕更合适；如果你从脚本起步并需要声音，Gemini 3.1 Flash TTS 更合适。
使用场景与实际工作流
根据目标来选择。下面是它们在实际中的用法。
社交媒体短视频
制作或剪辑一段竖屏短视频，例如在 Video Generator 中完成，或者使用你自己的素材。最后一步用自动字幕处理。很多人刷信息流时是静音的，屏幕上的字幕能让你的信息在音频未播放时也能传达出去。
专业旁白
写一份简短的讲解脚本。在文字转语音中用 Gemini 3.1 Flash TTS 生成配音。在 Video Generator 中制作画面，然后在剪辑软件中把声音和视频合在一起；如果需要让主持人看起来在说这些台词，就使用 Lip Sync。风格合适的话，还可以用视频特效进一步润色。
多语言配音
对于已有语音的视频，最简单的方式是使用专为翻译口语视频打造的视频翻译。如果你想完全掌控，可以自己撰写或翻译脚本，用 Gemini 3.1 Flash TTS 生成目标语言配音，再用 Lip Sync 同步，最后用自动字幕为成片加字幕。
混合工作流：两者兼得
每一步运行前都会显示所需积分，你可以边做边看到整个流程的总费用。
获得理想效果的技巧
- 自动字幕：干净的音频最重要。加字幕前先降低背景音乐和噪音。如果音轨中歌曲和人声混在一起，可以用 Music Tools 中的人声分离把人声和伴奏分开。
- Gemini 3.1 Flash TTS：为耳朵写作。句子要短，在需要停顿的地方加标点，容易读错的数字或名字请写成文字。与视频同步前先试听一遍。
- 品牌专属声音：如果想用自己的声音而不是预设音色，声音克隆就是合适的工具。
费用与规模化
Flixly 不采用按月分级的套餐。你购买一次性积分包，每次生成时消耗积分。字幕任务的费用取决于你的视频，TTS 任务的费用取决于脚本和模型；应用会在运行前显示两者的费用，方便你为单个视频或大批量短视频比较方案。当前积分包请查看价格页面。
与 Flixly 生态的整合
Flixly 让你可以把各个工具从头到尾串联起来。在 Long Video Generator 中制作更长的电影感片段，用文字转语音添加配音，为成片加字幕，再用 Motion Poster 制作动态宣传片。浏览 Explore 作品库获取灵感。
如果原始音频质量太差导致字幕效果不佳，可以考虑用 Gemini 3.1 Flash TTS 配音加 Lip Sync 替换原音轨，再为干净的版本加字幕。
现在就试试：创建账户，并查看控制台中显示的初始积分。
自动字幕能让你已有的素材快速提升无障碍体验；Gemini 3.1 Flash TTS 则能根据脚本制作精良的音频。如果你有带对白的素材，就从自动字幕开始；需要新的或翻译后的声音时，再加入 TTS。
常见问题
自动字幕和 Gemini 3.1 TTS 有什么区别？▾
自动字幕会转写视频中已有的语音，并以字幕形式烧录到画面中。Gemini 3.1 Flash TTS 则根据文字脚本生成新的语音。一个是从音频到文字，另一个是从文字到音频。
做视频时，Gemini 3.1 TTS 比自动字幕更好吗？▾
没有谁更好，它们做的是不同的事。如果你有带对白的素材，字幕能让它在静音状态下也看得懂。如果你只有脚本，TTS 能为你生成配音。很多视频两者兼用效果更好。
Flixly 自动字幕会输出什么？▾
自动字幕会返回一个字幕已渲染进画面的新视频，可直接发布。它不是字幕文件编辑器，所以请检查结果；如果有词识别错误，换用更干净的音频重新运行。
可以用 Gemini 3.1 TTS 制作对口型视频吗？▾
可以。先在文字转语音中生成配音，然后打开 Lip Sync，把这段音频与讲话人的视频配对。对口型模型需要同时提供视频和音轨。每一步的费用都会在生成前显示。
添加 TTS 配音后还能给视频加字幕吗？▾
可以。视频有了新的配音音轨后（例如完成 Lip Sync 之后），再用自动字幕处理一遍，就能得到成片的带字幕版本。
在 Flixly 上，自动字幕和 Gemini TTS 分别要花多少钱？▾
两者都用积分支付，应用会在运行前显示你的文件或脚本的准确费用。Flixly 销售一次性积分包，而不是订阅套餐，所以只在需要时购买积分即可。
做 TikTok 和 Reels 应该用哪个自动字幕工具？▾
Flixly 自动字幕很适合竖屏短视频，因为它直接返回带字幕的成片。先制作或剪辑视频，例如在 Video Generator 中完成，最后一步再加字幕。