AI・機械学習

Gemini 3.8 text-to-speech が挨拶

Gemini 3.8 text-to-speech says hello (blog.google)

310 pointsby swolpers2026年9月24日138 コメント

要約

Googleは、より表現力豊かでカスタマイズ可能な新しいテキスト読み上げ（TTS）モデル、Gemini 3.8 Flash TTSとGemini 3.8 Flash-Lite TTSを発表しました。これらのモデルは、自然言語プロンプトを使用してカスタムボイスを作成したり、既存のボイスを再現したりでき、セリフごとに詳細な制御が可能です。オーディオブック、ポッドキャスト、ボイスエージェントなど、様々な用途での高品質な音声生成を支援し、ウォーターマーキングなどの安全機能も組み込まれています。

全文翻訳

Gemini 3.8 text-to-speechが挨拶

2026年9月23日

Gemini 3.8 Flash TTSとGemini 3.8 Flash-Lite TTSは、これまでにない表現力豊かな音声生成モデルです。Google AI Studio、Gemini API、Gemini Enterprise、Gemini Notebook、Google Vidsで、カスタムキャラクターボイスやシーンのセリフを直接生成できます。

Leland Rechis

Group Product Manager

Alan Cowen

Director, Research Science, on Behalf of the Gemini Audio Team

［画像: "Introducing Gemini 3.8 Flash TTS and 3.8 Flash-Lite TTS" と書かれたテキストカード画像］

本日、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、音声生成を静的なプリセットからダイナミックなクリエイティブスタジオへと変革します。これらのモデルにより、クリエイター、開発者、企業は、よりリッチで表現力豊かなオーディオ体験を創り出すことができ、Gemini Notebook や Google Vids のような製品でのユーザー体験も向上します。

Gemini 3.8 Flash TTS: 深いクリエイティブディレクションとキャラクターデザインのために構築されました。自然言語プロンプトを使用して、ゼロから全く新しいボイスを作成し、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全体でキャラクターに命を吹き込みます。演技の指示、ペース、方言の変化、バックチャネリング（相槌など）を細かく制御し、セリフごとにパフォーマンスを指示できます。
Gemini 3.8 Flash-Lite TTS: 大量かつコスト効率の高いスケーリングのために構築されました。大量の吹き替え、オーディオコンテンツ制作、そしてトーン、ペース、表現のニュアンスを細かく制御できる表現力豊かなボイスエージェントに最適化されています。

これらのモデルは、3.5 Live Translate、3.5 Transcribe、3.8 Live、および 3.8 Live Extended Thinking に続く、急速に成長しているGemini Audioファミリーを補完します。

独自のボイスを作成・カスタマイズする

30個のオリジナルボイスから無限のライブラリへとスケールアップします。全く新しいキャラクターボイスが必要な場合でも、一貫したブランドアンバサダーが必要な場合でも、当社の3.8 Flash TTSモデルは、フルボーカルスタジオを支えます。これにより、あらゆる瞬間に表現力豊かで自然に聞こえるボイスを作成・使用できると同時に、開発者や企業がカスタムオーディオ体験を容易に構築できるようになります。

ジェネレーティブボイスデザイン: Gemini 3.8 Flash TTSを使用すると、100以上の言語と方言で、役割、アクセント、ボイスの特性をカスタマイズし、自然言語プロンプトを使用して、ドラマチックで火を噴くドラゴンを登場させたり、独特の地域的なイントネーションを持つカリスマ的なナレーターを作成したりするために、ゼロからカスタムボイスを作成できます。
豊富なボイスライブラリ: メキシコスペイン語、ケベックフランス語、スコットランド英語などの地域バリエーションを含む、幅広い言語をカバーする2,000以上の制作準備完了ボイスにアクセスできます。
ボイスレプリケーション: 30秒の音声サンプルから、あなたの声または使用権のある声の一貫したボーカルプロファイルを再現します。開発者とボーカルタレントの両方を保護するために、組み込みの同意検証、SynthIDウォーターマーク、C2PAクレデンシャルによってサポートされています。
保存とスケーリング: 作成したカスタムボイスを保存・管理し、継続的なプロジェクト全体で一貫したパフォーマンスと最小限のドリフトを確保します。
ボイスリミキシング: 近日公開予定。ボイスライブラリからボイスを選択し、音色、ピッチ、ペース、アクセントを微調整できます。プロンプトを使用して特性を調整します（例：「微妙なアメリカ南部風アクセントを追加」または「デリバリーをソフトにする」）。

パフォーマンスを、セリフごとに指示する

ボイスを選択したら、両方のTTSモデルで各セリフの配信方法を正確に制御できます。

セリフごとのパフォーマンス指示: 独自のステージディレクションを記述するか、Geminiに、穏やかなカスタマーサービス担当者からささやくようなサスペンスシーンまで、自然なスクリプトキューでデリバリーを指示させます。
長尺生成: ポッドキャストやオーディオブックに最適な、話者のドリフトを最小限に抑えながら、数時間にわたる連続オーディオで高品質な音声、自然なペース、キャラクターの音色を維持します。
ネイティブ2スピーカーシーン演出: ポッドキャストやドラマのストーリーテリングのために、単一のスクリプトからマルチターン会話をシームレスに指示します。同時に、自然な会話のターンテーキングで両方の声を明確に分離します。
スクリプト化されたボーカルバースト＆バックチャネリング: 非言語的なキュー（<laughs>、<sigh>、<gasp>など）やアクティブリスニングの相槌（|mhm|や|yeah|など）を使用して、正確なコメディのタイミングとリアクションビートのために、リアルな会話のテクスチャを追加します。

グローバルスケールで構築された、表現力豊かな高品質音声生成を手に入れる

Gemini 3.8 Flash TTSは、主要なボイスカスタマイズ機能を提供し、Hume AIの Voice Design Benchmarkで総合1位（71.4）、アクセントモデリングでも1位（60.8）を獲得しました。

Gemini 3.8 Flash TTSとGemini 3.8 Flash-Lite TTSは、信頼性を犠牲にすることなく、真に表現力豊かなパフォーマンスを可能にし、Hume AIのOverall Quality Indexでもそれぞれ1位と2位を獲得しました。このモデルは、Gemini 3.1 Flash TTSと比較して、長尺コンテンツやデュアルスピーカーのスクリーンプレイ制御など、幅広いユースケースで大幅な改善を示しています。

Voice Arenaでのブラインドヒューマン評価では、Gemini 3.8 FlashおよびFlash-Lite TTSは、日本語、ブラジルポルトガル語、ベトナム語、現代標準アラビア語（MSA）、メキシコスペイン語、ヒンディー語を含む主要なグローバル言語で競合他社の中でトップクラスの位置を占めています。100以上の言語をサポートするこれらのモデルは、クリエイター、開発者、企業が世界中で高品質で多言語の音声体験を構築することを可能にします。

［画像: テキスト読み上げ品質ベンチマーク Hume AI を示す評価］

［画像: テキスト読み上げボイスデザインリーダーボード Hume AI を示す評価チャート］

［画像: テキスト読み上げボイスアリーナリーダーボードを示す評価チャート］

信頼、同意、透明性を持って構築する

ボイスの作成およびレプリケーション機能は、ボイスタレントを保護し、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セーフガードを備えて構築されています。ボイスレプリケーションについては、当社のシステムは同意検証を活用しています。ボイスを作成する前に、ユーザーは参照話者と一致するボイスオーナーからの音声による同意録音を提供する必要があります。

より広範には、当社のGemini Audioモデルによって生成されたすべてのオーディオクリップは、SynthIDでウォーターマークが付けられています。この知覚できないウォーターマークはオーディオ出力に直接埋め込まれており、AI生成音声が検出可能であることを保証し、誤情報の防止に役立ちます。安全性と責任へのアプローチの詳細については、モデルカードをご覧ください。

新しいGoogle AI Studioオーディオプレイグラウンドを試す

本日より、開発者はGoogle AI Studioでこれらの新しい音声生成機能を体験できます。ボイスデザインワークスペースのように構築されており、ゼロから全く新しいボーカルアイデンティティをプロンプトで作成したり、自分の声を再現したり1 してから、デュアルスピーカーのスクリーンプレイエディタに直接取り込んでセリフごとに指示できます。

Google AI Studioでボイスレプリケーションを試してください。

高性能ボイスインターフェースを簡単にデプロイする

Gemini APIを使用することで、Agora、LiveKit、Pipecat、Vercelなどの開発者プラットフォームは、開発者が高性能な音声生成体験を容易に構築・デプロイできるようにします。

Figma、HeyGen、Linguana、Wondercraft、99.co、Ollangなどの企業と提携しており、最新のTTSモデルを統合して、グローバルな吹き替えを加速し、ニュアンスのある地域的なアクセントでメディアをローカライズし、会話型ボイスエージェントを大規模に強化します。

［画像: 99 GroupのCEO兼共同創設者であるDarius Cheungからの引用］

［画像: Agoraのデベロッパーエバンジェリスト、Mason Adamsからの引用］

［画像: Figma Weaveのプロダクトディレクター、Jonathan Gur-Zeevからの引用］

［画像: Hygenのエンジニアリング担当VP、Bin Liuからの引用］

［画像: katsuyoのデベロッパー、Luke Paneからの引用カード］

［画像: kuku.のAI/MLアソシエイトディレクター、Ritwik Baranwalからの引用］

［画像: linguanaの共同創設者兼CTO、Oded Shafranからの引用］

［画像: OllangのCTO兼共同創設者、Aziz Ulak］

［画像: Spokenの創設者兼CEO、Phil Marshallからの引用］

［画像: Transforms.AIの共同創設者兼CEO、Zina Rahmanからの引用］

［画像: WondercraftのCTO、Mei Ki Yiuからの引用］

Googleからの最新ニュースをメールで受け取る

製品アップデート、イベント情報、特別オファーなどのニュースレターに登録してください。

お客様の情報は、Googleのプライバシーポリシーに従って使用されます。いつでも購読を解除できます。