GoogleはGeminiファミリーに2つの新しいテキスト読み上げ(TTS)モデルを導入しました。音声生成を、固定のプリセットから動的なクリエイティブスタジオへと変えるものとされています。これらのモデルにより、クリエイター、開発者、企業はより豊かで表現力のある音声体験を作れるようになり、Gemini NotebookやGoogle Vidsなどの製品でのユーザー体験も向上します。

Gemini 3.8 Flash TTSは、深いクリエイティブな演出とキャラクターデザイン向けに作られています。自然言語のプロンプトを用いてゼロから作る音声を新規に作成でき、ゲーム、没入型オーディオブック、ポッドキャスト、インタラクティブメディアでキャラクターに命を吹き込めます。さらに、演技指示、ペース配分、方言の切り替え、相づちを細かく制御しながら、セリフ単位の演技を演出できます。

Gemini 3.8 Flash-Lite TTSは、大量処理かつコスト効率の高い規模での利用向けに作られたモデルです。大量のダビング、音声コンテンツ制作、および表現力のある音声エージェント向けに最適化されており、トーン、ペース配分、表現のニュアンスを細かく制御できます。

Gemini Audioファミリーには、3.5 Live Translate、3.5 Transcribe、3.8 Live、3.8 Live Extended Thinkingが含まれます。そのファミリーの一つである3.8 Flash TTSモデルは、30種類のオリジナル音声から無限のライブラリへと拡張でき、完全オリジナルのキャラクター音声や一貫したブランドアンバサダーも作れる本格的な音声スタジオを支えます。この3.8 Flash TTSモデルにより、表現力があり自然に聞こえる音声をあらゆる場面で作成・利用することが可能になり、開発者や企業はカスタムの音声体験を簡単に構築できます。

音声の複製とボイスデザインの機能

音声の複製(voice replication)では、自分の声、または使用する権利を持つ声の30秒の音声サンプルだけから、一貫した音声プロファイルを再現できます。開発者と、その声の担い手を守るため、同意確認、SynthIDによる透かし(watermark)、コンテンツの来歴を証明するC2PA認証情報が組み込まれています。

ボイスリミックス(voice remixing)は近日公開予定の機能で、ボイスライブラリから音声を選び、音色、ピッチ、ペース、アクセントを微調整できます。「add subtle Southern US accent」や「soften the delivery」のようなプロンプトを用いて特徴を調整することが可能です。また、Gemini 3.8 Flash TTSとGemini 3.8 Flash-Lite TTSの両方のTTSモデルでは、声を選んだあとに各セリフの話し方をセリフ単位で細かく制御できます。

ボイスデザイン(voice design)では、Gemini 3.8 Flash TTSを用いて、自然言語のプロンプトで役柄、アクセント、声の特徴をカスタマイズし、100を超える言語と方言にわたりゼロから作る音声を作成できます。具体的な例として、火を吹くドラマチックなドラゴンや、地域特有の抑揚を持つカリスマ的なナレーターが挙げられています。音声の保存と管理の機能では、設計したカスタム音声を保存・管理でき、進行中のプロジェクト全体で一貫したパフォーマンスを保ち、声のずれを最小限に抑えられます。ボイスライブラリでは、幅広い言語に対応した2,000種類以上の本番利用可能な声にアクセスできます。メキシコのスペイン語、ケベックのフランス語、スコットランドの英語といった地域の変種も含まれます。

セリフ単位の演技の指示では、自分でステージ指示を書くこともでき、Geminiに自然な台本上の手がかりで話し方を導かせることもできます。落ち着いたカスタマーサービス担当者から、ささやくサスペンス場面までを表現できます。ネイティブの2話者シーン演出では、1本の台本から複数ターンの会話をシームレスに演出でき、ポッドキャストにもドラマ的なストーリーテリングにも使えます。2つの声は明確に区別されたまま、自然な会話のターン交代(turn-taking)が保たれます。

長尺生成では、数時間に及ぶ連続音声にわたって、高い音声品質、自然なペース、キャラクターの音色を、話者のずれを最小限に抑えて保つことができ、ポッドキャストやオーディオブックに向いています。さらに、台本に書き込む声の演出では、<laughs>、<sigh>、<gasp>のような非言語の手がかりや、|mhm|、|yeah|のような傾聴の相づちを加えて会話らしい質感を出せます。これはコメディのタイミングや反応の間を正確に作るために使用されます。

外部ベンチマークと言語対応の評価

Gemini 3.8 Flash TTSは、Hume AIのVoice Design Benchmarkで総合1位(71.4)を獲得し、アクセントモデリングでも首位(60.8)でした。また、Hume AIのOverall Quality Indexでは、Gemini 3.8 Flash TTSが1位、Gemini 3.8 Flash-Lite TTSが2位を記録しました。両モデルは信頼性を損なわずに表現力豊かな演技を可能にするとされています。さらに、このモデルはGemini 3.1 Flash TTSと比べて、長尺コンテンツや2話者の脚本制御など幅広いユースケースで大きく改善しています。

Voice Arenaでの人間によるブラインドの選好評価において、Gemini 3.8 FlashとFlash-Lite TTSは、日本語、ブラジルのポルトガル語、ベトナム語、現代標準アラビア語(MSA)、メキシコのスペイン語、ヒンディー語といった主要言語で、競合の中の上位を獲得しました。Gemini 3.8 FlashおよびFlash-Lite TTSは100を超える言語に対応しており、クリエイター、開発者、企業が高品質な多言語の音声体験を世界中で作れるとされています。

同意確認とSynthIDによる安全対策

Googleは、音声の複製において同意確認を用いています。声を作成する前に、ユーザーは参照話者と一致する、声の持ち主本人による口頭の同意録音を提供しなければなりません。この音声作成・複製の機能は、声の担い手を守り、アイデンティティを尊重し、コンテンツの透明性を確保するための厳格な保護策つきで作られています。

Gemini Audioモデルが生成するすべての音声クリップには、SynthIDによる透かしが入ります。この透かしは人には知覚できず、音声出力に直接織り込まれ、AI生成音声を検出可能に保って偽情報の防止に役立てます。

安全性と責任に関する取り組みの詳細は、モデルカード(model card)で確認できます。

AI Studioでの利用と提供開始の状況

Google AI Studioの新しい音声プレイグラウンドは、ボイスデザインのワークスペースのように作られており、まったく新しい声のアイデンティティをゼロからプロンプトで作ることも、自分の声を複製することもできます。開発者はGoogle AI Studioで音声の複製を試すことができます。作成した声は、2話者用の脚本エディターに直接持ち込んで、行ごとの読み上げを指示することが可能です。

9月23日から、開発者はGoogle AI Studioで新しい音声生成機能を試すことができます。また、Gemini APIを使うことで、Agora、LiveKit、Pipecat、Vercelといった開発者向けプラットフォームを通じて、高性能な音声生成体験を容易に構築・デプロイできます。

GoogleはFigma、HeyGen、Linguana、Wondercraft、99.co、Ollangなどの企業と提携しており、各社は最新のTTSモデルを組み込んでいます。

これらの企業は、世界規模のダビングの加速、微妙な地域アクセントを使ったメディアのローカライズ、および会話型ボイスエージェントを大規模に動かすことを目的としています。

Gemini 3.8 Flash TTSとGemini 3.8 Flash-Lite TTSは、どちらも9月23日から順次提供が始まっており、開発者向けにはGemini APIとGoogle AI Studioで利用できます。Flash TTSは、企業向けにはGemini EnterpriseのAPI経由で近日公開予定で、一般ユーザー向けにはGemini Notebookで提供されます。Flash-Lite TTSは、企業向けにはGemini EnterpriseのAPI経由で近日公開予定で、一般ユーザー向けにはGoogle Vidsで提供されます。