Googleは2026年9月23日、音声合成（TTS）モデルGemini 3.8 Flash TTSとGemini 3.8 Flash-Lite TTSを公開しました。役柄やアクセント、声の特徴を自然言語で指定するだけで新しい声を作れるのが特徴で、日本語を含む100以上の言語と方言に対応します。Gemini APIとGoogle AI Studioでは発表当日から使えます。
発表の内容
- 声の作成（Voice design）は、作りたい声の説明文をAPIに渡すと声が生成・保存され、以後の音声合成で同じ声を呼び出せる仕組みです。保存できるのはプロジェクトあたり200音声、保存期間は1年とドキュメントに記載されています
- 本人または利用許諾を得た声の30秒のサンプルから音声を複製する機能もあり、作成前に声の持ち主による同意の録音が必要です
- セリフごとに間合いやトーン、表現を指示できます。2,000以上の既製の声も用意されています
- 生成した音声にはSynthIDの透かしが埋め込まれ、AI生成であることを検出できるとしています
- 料金は100万トークンあたり入力0.50ドル、出力はFlash TTSが9.00ドル、Flash-Lite TTSが6.00ドルで、この価格は2026年12月31日までです。2027年1月1日からはそれぞれ倍額になります。無料枠もあります
- Gemini Enterprise経由のAPI提供は近日予定です。Flash TTSはGemini Notebook、Flash-Lite TTSはGoogle Vidsにも搭載されました
編集部の見方
声を文章で注文する時代になりました。たとえば「落ち着いた30代の女性、少し早口で」と書けば候補が出てくる。これは試してみたくなりますね！
マーケティングでまず使えるのは試作だと思います。動画のナレーションや音声広告で、声のイメージを何パターンか聞き比べてから、本番を収録するか外注するかを決める。同じ声をIDで呼び出せるので、シリーズ動画で声をそろえるのにも向いています。
ただ、そのまま広告に流すなら先に決めておくことがあります。AIの声だと表記するのか。実在の人に似た声は作らない、というルールをどうするのか。透かしは検出のための仕組みで、視聴者への説明を代わりにしてくれるわけではありません。あと、料金は2027年から倍になります。試すなら年内のうちに、というのは覚えておいて損はないです。
出典
- Gemini 3.8 のテキスト読み上げ（TTS）モデル Google Japan Blog・2026年9月23日
- Gemini 3.8 text-to-speech says hello Google・2026年9月23日
- Voice design Google AI for Developers
- Gemini Developer API pricing Google AI for Developers
