Googleが「Gemini 3.1 Flash TTS」公開、自然言語タグで声のトーンを自在に演出

AI にテキストを読ませるとき、最も難しいのが感情の機微を表現することでした。一般的な音声合成モデルは綺麗に発音できても平板になりがちで、セリフの途中で声をひそめたり、感情を昂らせたりするには、音声を細かく切り刻んでパラメータを調整する手間が必要でした。

Google は本日、表現力と制御性の向上に特化した新しい音声合成モデル「Gemini 3.1 Flash TTS」の提供を開始しました。最大の特徴は、テキスト内に自然言語で直接演技指示を書き込めるオーディオタグ機能です。

本モデルはプレビュー版として公開されており、開発者は Gemini API および Google AI Studio から、エンタープライズ顧客は Vertex AI から、そして Workspace ユーザーは Google Vids 上で利用できます。

テキスト内で演技指導を行う仕組み

新機能のオーディオタグは、声のスタイルや話速、トーンの変化を自然言語で指定できる仕組みです。外部の複雑な音声パラメータをいじることなく、セリフの途中にタグを挟むだけで、話の途中で感情や声色を切り替えられます。

Google AI Studio では、開発者が監督席に座っているかのようなワークフローが用意されています。まずシーン設定として会話の背景環境を指定することで、複数キャラクターによる会話でも一貫したキャラクター性を維持できます。

さらに登場人物ごとに専用の音声プロファイルを割り当て、ディレクターズノートでアクセントや基本の話し方を細かく調整可能です。納得のいく演技ができたら、その設定をそのまま Gemini API のコードとしてエクスポートし、自社システムに組み込めます。

客観的な指標として、第三者評価機関 Artificial Analysis の TTS リーダーボードで 1,211 の Elo スコアを獲得し、高品質と低コストを両立した象限に位置付けられています。70 以上の言語とネイティブな複数人対話に対応し、生成された全音声には不可視の SynthID 透かしが自動で埋め込まれます。

なぜ重要か

ゲームの NPC 対話やオーディオブック、解説動画などを制作するクリエイターにとって、表現力豊かな音声を安価に量産できる価値は非常に大きいです。従来は声優の収録や専用ソフトでの微調整が必要だった演出が、プロンプトの記述だけで完結するため、個人開発者でも表現の幅を一気に広げられます。

業界全体で見れば、ElevenLabs などの音声特化型スタートアップに対する Google の本格的な攻勢と捉えられます。これまで大手プラットフォームの TTS は自然さや遅延の少なさを重視し、ドラマチックな演技指導の領域は新興勢力に委ねられていました。それが Flash クラスの低コストと多言語展開を伴って標準機能化された意味は軽視できません。

演出の試行錯誤から API コードへの書き出しまでを一本化させた導線設計は極めて合理的だと考えられます。一方で、自然言語による指示がどれほどブレずに再現されるか、特に英語以外の言語でどこまでニュアンスが通じるかは検証が必要です。また、より説得力のある音声が手軽に作れるようになった分、悪用検知における SynthID の実効性も問われることになります。