Google、Gemini 3.8にTTS 2モデル AIが声の演技まで自然言語で制御
9月25日
読了時間: 2分
声質やアクセントの生成から感情、間、相づちまで指定可能 30秒の音声から声を再現する機能も
米Googleは現地時間9月23日、Geminiシリーズの音声生成モデル「Gemini 3.8 Flash TTS」と「Gemini 3.8 Flash-Lite TTS」を発表した。いずれもTTS（Text-to-Speech）モデルで、文章を読み上げるだけでなく、声の特徴や発話の仕方まで自然言語で指定できる。
声質から「演技」まで指定可能
Gemini 3.8 Flash TTSでは、役割やアクセント、声の特徴を指定して、オリジナルの声を生成できる。100以上の言語・方言に対応し、2000種類以上の音声も利用できる。
さらに台本の各行に指示を加えることで、話す速度や感情、間などを細かく制御できる。1つの台本から2人の会話を生成したり、笑い声やため息、相づちなどの非言語的な反応を加えたりすることも可能だ。長時間の音声でも声質や話し方を維持する機能も備える。
声の再現には同意確認
声の再現機能では、30秒の音声サンプルから声を再現できる。ただし、本人の声、または利用権を持つ声が対象で、声の所有者による音声同意の確認が必要となる。生成音声には不可視の電子透かし「SynthID」が付与され、声の再現ではC2PAの認証情報も利用する。
大量処理向けのFlash-Liteも
Flash-Lite TTSは、大量の吹き替えや音声コンテンツ制作、音声エージェントなど、高い処理量とコスト効率を重視する用途向けに位置付けられる。両モデルはGemini APIとGoogle AI Studioで提供を開始しており、Flash TTSはGemini Notebook、Flash-Lite TTSはGoogle Vidsにも展開される。
参照サイト
News from Google
Gemini 3.8 text-to-speech says hello
