GoogleがGemini 3.8 Flash TTSを発表：プロンプトで声を作り出せる新音声モデル

ゲームのNPCやオーディオブック、ポッドキャスト用に個性的な声を用意しようとすると、これまでは声優を手配するか、サードパーティの音声生成ツールに高額な料金を支払うのが常識でした。

Googleは9月23日、そうした制作フローを塗り替える新しい音声合成モデル「Gemini 3.8 Flash TTS」と、軽量高速版の「Gemini 3.8 Flash-Lite TTS」を発表しました。あらかじめ用意された定型プリセットを選ぶのではなく、テキスト指示で理想の声をゼロから生み出せるのが最大の特徴です。

プロンプトで声を設計し、台本単位で演出する

目玉となる機能は、生成型のボイスデザインです。「メルボルンのハイテンションなラジオDJ」や「唸り声を上げるファンタジーのドラゴン」といったテキストプロンプトを入力するだけで、まったく新しい声のキャラクターを生成できます。100以上の言語と方言に対応しており、ケベック方言のフランス語やスコットランド英語などの地域差も再現します。

手持ちの音声を再現したい場合は、わずか30秒の参照音声からのクローン作成が可能です。不正利用やディープフェイクへの対策として、発話者本人による同意の音声確認を必須化しているほか、生成データには不可視の電子透かし「SynthID」とC2PAクレデンシャルが埋め込まれます。

さらに実用的なのが、行単位での演技指導機能です。セリフの中に笑い声やため息、息を呑むような非言語表現のタグを差し込んだり、自然な相槌を打たせたりできます。1つの台本から2人の登場人物が自然に掛け合いを行うデュアルスピーカー演出にも標準で対応しており、声質のブレを起こさずに長尺の会話シーンを出力できます。

ベンチマーク首位と低コスト化の両立

性能面でも強い数字が出ています。Gemini 3.8 Flash TTSは、Hume AIのVoice Design Benchmarkでスコア71.4を獲得して総合1位に立ち、アクセント再現テストでも首位となりました。さらに外部のブラインド評価プラットフォーム「Voice Arena」では、音声生成のトップランナーであるElevenLabsに匹敵、あるいは一部で上回る評価を得ながら、API利用料は極めて低価格に抑えられています。

両モデルは開発者向けにGemini APIとGoogle AI Studioで即日提供が始まっており、Google VidsやGemini Notebook（旧NotebookLM）といった一般向けサービスにも順次展開されます。

なぜ重要か

私たちは、この発表が音声生成AIの実用化における大きな分岐点になると考えています。これまで大手の音声合成APIは安価な反面で感情表現に乏しく、表現力の高い特化型スタートアップのツールはコストがネックでした。Googleが言語モデルの文脈理解力をそのまま声の演出に持ち込み、格安のAPIとして開放したことで、個人開発者や小規模スタジオでも手軽に高品質な音声コンテンツを量産できるようになります。

一方で、競合する音声特化型スタートアップにとっては強烈な逆風です。自然言語による声の設計から、2人の掛け合い、細かな感情タグの解釈までが巨大プラットフォームの基本機能として組み込まれてしまうと、音質だけで差別化するのは難しくなります。

30秒のサンプルから高精度に声を再現できる手軽さは魅力的ですが、どれほど同意確認や透かしを厳格に運用しても、著名人や声優の権利保護に関する議論は続くはずです。表現力と安全性のバランスを実運用でどう維持できるかが、今後の普及の鍵を握るでしょう。