Gemini 3.8 Text-to-Speech

Gemini 3.8 Text-to-Speechは、台本をカスタマイズ可能な音声に変換するGoogleの表現力豊かな音声モデル。声の設計や行ごとの演出、コンテンツ・吹き替え・音声エージェント向けの会話生成に対応。

概要

Gemini 3.8 Text-to-Speechは、Googleの表現力豊かな音声生成モデル2種、Gemini 3.8 Flash TTSとGemini 3.8 Flash-Lite TTSから構成されます。テキストや台本を演出付きの音声に変換し、固定された音声プリセットにとどまらず、プロンプトによる声の設計、詳細な演技指示、複数話者のシーンに対応します。

Flash TTSはクリエイティブな声やキャラクターの設計を目的とし、Flash-Lite TTSは大規模な吹き替え、音声制作、表現力豊かな音声エージェント向けに位置付けられています。出典では、これらのモデルを利用する製品コンテキストとしてGoogle AI Studio、Gemini API、Gemini Enterprise、Gemini Notebook、Google Vidsが挙げられていますが、具体的なアクセス方法、料金、クォータに関する詳細は提供されていません。

主な機能

プロンプトによる声の設計

100を超える言語と方言に対応し、役柄、アクセント、その他の声の特徴をプロンプトで指定して、オリジナルの声を作成できます。

豊富な声のライブラリ

メキシコのスペイン語、ケベックのフランス語、スコットランド英語などの地域的なバリエーションを含む、2,000を超える本番利用可能な声のライブラリが説明されています。

行ごとの演出コントロール

ペース、感情、方言の変化、話し方、会話上の反応を、自然言語による演出指示で各行に指定できます。

2人の話者によるシーン構成

1つのシーンに2人の話者を配置し、それぞれ異なる声を保ちながら、自然な会話のターンテイキングを実現できます。

長尺生成

ポッドキャストやオーディオブック向けの長時間音声生成に対応し、音声が数時間にわたって自然なペースとキャラクターの声質を保つことを意図しています。

声の複製と出所確認ツール

ユーザーが所有している、または使用権を持つ声の30秒間のサンプルを使って声を複製できます。このワークフローでは、同意の確認、SynthIDのウォーターマーク、C2PA認証情報も挙げられています。

ユースケース

キャラクターボイスとインタラクティブメディア
プロンプトで指定した声のアイデンティティを使って、繰り返し登場するキャラクターやナレーターを設計し、ドラマチックなシーン、ゲーム、没入型ストーリーテリング向けに個々のセリフを演出できます。
オーディオブックとポッドキャスト
オーディオブックやポッドキャスト向けに、ペースを制御し、キャラクターの声質を一貫させた長尺の音声コンテンツを制作できます。
吹き替えとコンテンツのローカライズ
Flash-Liteモデルが吹き替えや表現力豊かな音声制作向けに位置付けられていることを活用し、ローカライズされた音声コンテンツや大量の音声コンテンツを作成できます。
音声エージェント
トーン、ペース、相づち、会話上の反応を使って、より表現力豊かな音声インタラクションを実現する音声エージェントを構築できます。
2人による会話シーン
2人の異なる話者による複数ターンの台本を作成し、物語やポッドキャスト形式のシーンにおける話者の受け渡しや反応を制御できます。

Pros and Cons

Pros

役柄、アクセント、声の特徴などを自然言語のプロンプトで指定し、カスタムボイスを作成できます。
ペース、感情、非言語的なキュー、会話上のバックチャネリングを細かく台本で制御できます。
2人の話者によるシーン構成と長尺生成に対応し、長時間の物語音声を作成できます。
幅広い声のライブラリと、100を超える言語・方言にまたがる言語対応を提供します。
声の複製ワークフローについて、同意の確認、SynthIDのウォーターマーク、C2PA認証情報が説明されています。

Cons

出典には、料金、クォータ、出力形式、レイテンシ、詳細な利用要件が記載されていません。
既存のライブラリ音声の声質、音程、速度、アクセントを細かく調整するボイスリミックスは、一般提供ではなく近日提供予定として記載されています。
声の複製は、ユーザーが所有している、または使用許可を得ているサンプルだけを使う必要があります。出典には、その他の運用上または法的な指針は記載されていません。

FAQ

Gemini 3.8 Text-to-Speechとは何ですか？

この製品には2つのモデルがあります。Gemini 3.8 Flash TTSは、より細かなクリエイティブディレクションやカスタムキャラクターボイスに適しており、Gemini 3.8 Flash-Lite TTSは、大量かつコスト効率に優れた生成向けです。どちらも行ごとの演出に対応しています。

モデルはどこで利用できますか？

出典では、モデルを利用できる場所としてGoogle AI Studio、Gemini API、Gemini Enterprise、Gemini Notebook、Google Vidsが挙げられています。具体的な提供状況、アカウント要件、地域による制限については、出典に記載されていません。

声を作成または複製できますか？

はい。Flash TTSでは自然言語のプロンプトから声を設計できます。また、ユーザーが所有している、または使用許可を得ている声の30秒間のサンプルから、声を複製できると説明されています。複製ワークフローの一部として、同意の確認、SynthIDのウォーターマーク、C2PA認証情報が説明されています。

生成音声はどのように演出できますか？

ユーザーは、ペース、感情、方言の変化、声の短い発声、バックチャネリングなどを含む演出指示や台本のキューを使い、行ごとに話し方を指定できます。モデルは、ネイティブな2人の話者によるシーン構成や、長時間の音声全体で声の一貫性を保つ長尺生成にも対応しています。

Quick Facts

製品タイプ: 音声合成および表現力豊かな音声生成モデル
モデル: Gemini 3.8 Flash TTSおよびGemini 3.8 Flash-Lite TTS
主な利用者: クリエイター、開発者、企業
対応言語: 100を超える言語と方言
記載されている製品コンテキスト: Google AI Studio、Gemini API、Gemini Enterprise、Gemini Notebook、Google Vids
出典ドメイン: blog.google