Googleが「Gemini 3.8 Flash TTS」音声モデルを発表 監督のように1行ずつ演技指導が可能に

Googleは、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「Gemini 3.8 Flash TTS」と「Gemini 3.8 Flash-Lite TTS」を追加しました。

従来のTTSのワークフローといえば、数十種類のプリセット音声から1つを選び、テキストを入力して、それなりに滑らかに読み上げられた音声を出力するのが一般的でした。「もう少し緊張感を持たせたい」「このセリフは笑いながら話してほしい」「相手に途中で相槌を打たせたい」と思っても、対応できないか、後から編集で切り貼りするしかありませんでした。

今回の発表でGoogleが目指したのは、これを本格的な「アフレコスタジオ」へと変貌させることです。1文の説明から新しい声を生成したり、30秒の録音から声を複製したりできるほか、台本を書くように各行のセリフの演じ方を細かく指定できます。2人のキャラクターによる対話、割り込み、ため息、笑い声なども、1つのスクリプトからまとめて生成可能です。

2つのモデル：表現力を重視するモデルと、大量かつ低コストを重視するモデル

2つのモデルの役割分担は非常に明確です：

シンプルに言えば、キャラクターの演技やドラマ性を重視するならFlash、1日に何万件ものナレーションやカスタマーサポート音声を生成するならFlash-Liteを選ぶことになります。Googleは公式ブログで両モデルの価格を明示していません。

注目すべきは、Flash-Liteが決して単なる「縮小版」ではない点です。後述する複数のベンチマーク評価において、Flash-LiteはFlashとほぼ互角のスコアを記録しており、英語を含む3言語のブラインドテストの選好度では、Flashを上回る結果すら残しています。

これら2つのモデルは、Googleが拡充を進めるGemini Audioファミリーに属しています。同ファミリーにはすでに、リアルタイム翻訳の3.5 Live Translate、文字起こしの3.5 Transcribe、リアルタイム音声対話の3.8 Liveおよび3.8 Live Extended Thinkingがラインナップされています。

欲しい声を1文で説明するだけで作れる

これまでのTTSは既存の声を「選ぶ」ことしかできませんでしたが、今回のFlashは声を「創り出す」ことができます。GoogleはこれをVoice Design（音声デザイン）と呼んでいます。キャラクター、アクセント、声の特徴を自然言語で指定することで、モデルがゼロから新しい声を生成し、100以上の言語や方言に対応します。

Googleはいくつか短いプロンプトによる音声サンプルを公開しています：

• 「メルボルン出身のハイテンションなDJ」：オーストラリア訛りのラジオパーソナリティの声が生成され、早口かつハイテンションで「All right, Melbourne... Heaps of great music on the way for you」と語りかけます。「heaps」といったオーストラリア特有のスラングまで自然に反映されています。
• 「非常に甲高く単調なロボット」：「alert alert system status report major malfunction...」という音声全体に全く抑揚がなく、まさに昔のSF映画に出てくる機械音声のアナウンスそのものです。
• 「日本の龍」：眠りを妨げられた龍が、一人称に「わし」を使い、侵入者に対して日本語で「わしの眠りを侮ったのか、それとも……所詮は好奇心か」と問い詰めます。

最も分かりやすいのがゲームのデモです。従来のゲームのキャラクターカスタマイズは外見にとどまり、音声はせいぜい数種類のプリセットから選ぶ程度でした。デモでは、開発者が「Voice Design」の入力欄に次のように入力しています：

Deep gravely voice that shows he has been through many battles. Fast and booming.

「Create Voice」をクリックすると、数秒後に騎士の声が「You shall not pass these gates, demon, for I have battled worse than thee」というセリフを読み上げました。続いてプロンプトを高音で気品あるプリンセスに変更すると、全く同じセリフが即座にプリンセスの声へと切り替わりました。プレイヤーはアバターの外見だけでなく、声も自由にカスタマイズできるようになります。

音声の生成機能に関連して、いくつかのサポート機能も提供されています：

• 音声ライブラリの大幅拡充：従来の30種類のプリセット音声から、2,000種類以上のプリセット音声がそのまま利用可能になりました。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といった地域固有の方言バリエーションも含まれています。
• 保存して再利用可能：作成した音声は保存して管理できます。これはシリーズもののコンテンツを制作する際に極めて重要です。第1話と第50話で主人公の声が変わってしまっては困りますが、Googleによると声質のブレを最小限に抑えられるとのことです。
• 音声の微調整（近日提供予定）：ライブラリから既存の音声を選び、プロンプトを使って音色、ピッチ、話速、アクセントを微調整できます（例：「アメリカ南部訛りを少し加える」「もう少し柔らかく話す」など）。

短い録音から自分の声を複製する

音声を入手するもう1つの方法が音声複製です。自分自身の声や利用権を持つ音声サンプルをもとに、あらゆるテキストを読み上げ可能なデジタル音声を生成します。公式ブログにはわずか30秒の音声サンプルで可能と記載されており、Google AI Studioのデモ画面では「単調に読み上げるのではなく、物語を語るように」自然に約20秒間話すことが推奨されています。

デモで紹介された手順は以下の通りです：

1. サンプルの録音：画面に表示された短いテキスト（水平線を見つめる灯台守の短いエピソード）を約20秒間朗読します。
2. 本人確認の検証：続けて同意声明「I am the owner of this voice and I consent to Google using this voice to create a synthetic voice model.」を読み上げます。システムがこの同意音声と先のサンプル音声が同一人物によるものかを照合・検証します。
3. 生成と保存：分析が完了すると、複製された音声が「Hi there! I am your newly replicated voice」と発話します。名前を付けて自身の音声ライブラリに保存すれば、以降はGemini APIから呼び出して利用できます。

ステップ2こそが、Googleの言う同意検証です。音声の持ち主本人が同意声明を録音し、それが参照音声と一致して初めて音声モデルが作成されます。これは、他人の音声を無断でクローン悪用されるのを防ぐための措置です。

なお、Google AI Studioにおける音声複製機能は、現在米国のイリノイ州およびテキサス州、欧州経済領域、英国、スイス、インドでは利用できません。これらの地域の開発者は現時点では利用できない状態となっています。

脚本を書くように、1行ごとの演技を指示する

音声を選定した後は、両モデルとも行ごとの演出に対応します。スクリプト内にト書きを書き込むことで、そのセリフをつぶやくように話すのか、慰めるように話すのか、ささやくように話すのかを指定できます。何も指定せずに、セリフの文脈からGeminiに読み方を判断させることも可能です。

Googleのデモ画面を見ると、スクリプトには3種類のタグ記法が使われています：

• 角括弧 [ ]：演技指示。セリフの前に記述してトーンや状態を指定します。たとえば [whispering]（ささやき声）や [reassuringly]（安心させるように）のほか、詳細な説明文を長く記述することも可能です。
• 山括弧 < >：非言語音。セリフの合間に挿入します。たとえばため息の <sigh>、笑い声の <laughs>、息をのむ <gasp>、呼吸音の <breath> などです。
• パイプ記号 | |：相手の相槌や割り込み。|mhm| や |yeah| などを記述し、相手が横で「うん」と相槌を打つような聞き手の反応（Googleは会話中の「うん」「そうだね」といった反応をbackchannelingと呼んでいます）を再現したり、笑いのタイミングやリアクションの間を精密にコントロールしたりできます。

まずはカスタマーサポートの1人語りの例を見てみましょう。同一の担当者が4つのセリフの中で4つの状態を切り替えています：

Speaker 1: [muttering]
tu...tu...tu....hang on a second, let me find that order status <sigh>

Speaker 1: [reassuringly]
yeah....this order never really got delivered. Sorry for that. Let me update and reschedule this order....

Speaker 1: [whispering]
give me one moment...

Speaker 1: [warm][neutral][prosody="60%"]
I just updated the status and rescheduled the delivery.

その音声は、まるで生身のオペレーターそのものです。注文状況を調べながらブツブツと呟いてため息をつき、問題を見つけるとトーンを和らげて謝罪し、操作中は小声で「少々お待ちください」と言い、最後は穏やかで温かみのある声で完了を伝えています。最後の行には [prosody="60%"] というパラメータ指定も見られます。公式ブログでは詳細な説明はありませんが、表記から察するにイントネーションやリズムの抑揚幅を制御するものと考えられます。

続いて、3種類のタグをすべて活用した2人によるホラーシーンの例です。夜の森の中で、2人が何者かに後をつけられていることに気づく場面です：

Speaker 1: [high-pitched and frantic, trying to rationalize while escalating into pure, unadulterated terror]
Maybe it's just a deer? |That's not| <breath> People say |That's not a deer.| it's always deer. <nervous laugh> But it's... it's staying right on the edge of the light. |Stop.| It's following us. <gasp> Look, right there |Where?| by the pine!

Speaker 2: [strangled and horrified, voice cracking as the realization of a threat sinks in]
I don't see... |There!| <gasp> Oh my god, what is |What is that?| that? <breath> It's too big. That's not |That's not| an animal. It's just standing there.

ここには2つの極めて重要なポイントがあります。

第1に、演技指示が「感情の推移」として記述されている点です。単一の静的な感情にとどまらず、「取り乱して甲高い声を上げ、無理に自分を納得させようとしながらも、純粋な恐怖へとエスカレートしていく」という一連の演技アークが描かれています。後半にも「低く切迫し、歯を食いしばって冷静さを保とうとする」「脅威が迫るにつれて音量と話速が上がり、すすり泣き崩れる」といった指示が続きます。

第2に、パイプ記号で囲まれた割り込みが、メインのセリフと重複して発話される点です。Speaker 1が「Maybe it's just a deer?」と話している途中で、Speaker 2がすでに「That's not」と割り込んでいます。生身の人間が口論したり、怯えたり、言葉を遮ったりする際のリアルな会話の重なりであり、1人ずつ交互に順番通り読み上げるだけの従来のTTSでは到底再現できなかった感覚です。

こうした表現を支えているのが、いくつかの基盤機能です：

• ネイティブな2人会話シーンへの対応：1つのスクリプトから2人の複数ターンにわたる対話を直接生成できます。2つの声が明確に演じ分けられ、交互の発話や割り込みも自然に行われるため、ポッドキャストの対談やオーディオドラマに最適です。
• 長編コンテンツの生成：数時間に及ぶ音声を連続生成しても、音質、テンポ、キャラクターの声質が安定して維持され、話者の声のブレが抑えられます。オーディオブック制作において、第10章に入ったあたりで主人公の声が変わってしまうといったトラブルを防げます。
• 非言語音と割り込み：前述の山括弧やパイプ記号による機能であり、Googleはコメディの間やリアクションのタイミング合わせに活用できると強調しています。

Googleはさらに、本格的な「演出」のデモを2つ公開しています。

ベテラン刑事のモノローグ：「Monologue」と呼ばれるデモアプリでは、独白が16のパートに分割され、各パートの上に1行ずつの演技指示が添えられています。たとえば「得意げでリラックスし、金属の椅子にもたれかかりながら、ゆっくりと笑みを交えたブルックリン訛り」「血管が浮き出るほどの最大音量の咆哮、裏切りに対する怒り」「胸が張り裂け、声が震えて裏返り、涙を必死にこらえる」といった具合です。セリフの中には <chuckle>、<short pause>、<breath> が挟まれ、モデルの誤読を防ぐために地名「Canarsie」の読みを発音記号 /kəˈnɑːrsi/ で指定することまで行われています。その結果、ベテラン刑事が尊大な態度から動揺、取り乱し、そして最後に手がかりを明かすまでの完全な感情の軌跡が描き出されました。

本読み（Table Read）：脚本をアップロードし、各キャラクターに声（「温かみと説得力のあるバリトン」「優しく共感力のあるメゾソプラノ」など）を割り当てるだけで、シーン全体が演じられます。そのキャッチフレーズは「セリフは1文字も変えず、演じ方だけを変える」というものです。デモでは、クリエイターが1行のセリフの演技指示を「不満げだが自然な話速で」と変更して再生成すると、同じセリフがまったく異なるニュアンスで演じ直されました。脚本家や演出家にとっては、いつでも何度でもテイクを重ねてくれる声優陣が手元に控えているようなものです。

実際に試してみたい場合は、以下の構造に沿ってスクリプトを記述できます。まず話者を指定し、角括弧の中にその行の演技指示（感情の推移を含む）を記述します。セリフの合間には山括弧で非言語音を挿入し、パイプ記号で相手の割り込みや相槌を書き込みます。

Speaker 1: [演技指示：感情、音量、話速、およびこのセリフ内での感情の推移]
セリフ…… <sigh> セリフ…… |相手の割り込みや相槌| セリフ……

Speaker 2: [演技指示]
セリフ…… <laughs> セリフ…… |mhm| セリフ……

ベンチマーク：どこでリードし、どこで劣るか

Googleは2つの第三者評価を引用しています：Hume AIによるランキングと、Voice Arenaによるブラインドテストの投票結果です。掲載されている3つの表はいずれもGoogle公式ブログからの引用で、数値が高いほど優れていることを示します。

1つ目：Hume AI 音声デザインランキング。「テキスト記述から音声を生成する性能」を比較したもので、Gemini 3.8 Flash TTS、ElevenLabs Voice Design v3、Inworld Voice Designの3社のみが対象となっています。

総合スコアではGeminiが首位に立ちましたが、ElevenLabsとの差はわずか0.6ポイントと僅差です。真に明確な差がついたのはアクセントであり、45.4のElevenLabsに対してGeminiは60.8と、15ポイント以上の大差をつけました。これは前述の「メルボルンDJ」や「スコットランド英語」のサンプルとも合致しており、特定の地域固有のアクセントを再現したい場合に最も顕著な強みを発揮します。その一方で、「声の質感」の項目ではGeminiは3社の中で最も低いスコアとなりました。

2つ目：Hume AI 品質ランキング。TTSの全体的なパフォーマンスを比較しています。総合スコアは「信頼性 × 表現力」と定義されており、安定して破綻なく読み上げられることと感情豊かに表現できることの両立を評価しています。「スタイルタグ制御」は個々の指示タグに対する忠実度を測定したものです。

この表からは以下の3つの傾向が読み取れます：

• 前世代からの大幅な進化：総合スコアはGemini 3.1 Flashの0.783から0.920へと向上し、マルチスピーカーのスコアも3.60から4.14へと伸びています。これはGoogleがアピールする「2人対話スクリプト制御の大幅な改善」を裏付けています。
• Flash-LiteがFlashに肉薄：各項目のスコア差はいずれも0.07以内に収まっています。コスト効率を最優先するユースケースであれば、Flash-Liteを採用しても品質の低下はごくわずかです。
• 「人間らしい抑揚変化」ではElevenLabsが優勢：この項目は複数ターンの会話において声のトーンの変化がどれだけ人間に近いかを測定するもので、淡白すぎても誇張しすぎても減点されます。ElevenLabs v3は満点の5.00を獲得したのに対し、Geminiは4.58にとどまりました。ただし、「信頼性 × 表現力」の総合スコアで見ると、ElevenLabs v3は0.706にとどまっています。

3つ目：Voice Arena 言語別ブラインドテストランキング。人間のリスナーがモデル名を伏せられた状態で聞き比べて投票した結果であり、スコアは投票結果から算出された相対レーティングです。比較対象の外部モデルにはElevenLabs v3、Cartesia Sonic 3.6、OpenAI gpt-4o-mini-ttsが含まれますが、以下の表には各言語で最も高いスコアを獲得した外部モデルのみを記載しています（OpenAIは7言語すべてで最下位でした。アラビア語は現代標準アラビア語MSAを指し、Cartesiaは日本語、ベトナム語、アラビア語のデータがありません）。

全7言語において首位を独占したのは3.8ファミリーでしたが、兄弟モデル同士で勝利を分け合う形となりました：Flashが日本語、アラビア語、ヒンディー語、メキシコスペイン語で勝利した一方、より安価なFlash-Liteが英語、ブラジルポルトガル語、ベトナム語で勝利を収めました。英語においては、Flash単体では3位にとどまり、Cartesiaに7ポイント及ばない結果となっています。ヒンディー語でもFlashはCartesiaをわずか2ポイント上回るほぼ横ばいの結果で、Flash-Lite（1076）に至っては前世代の3.1 Flash（1086）を下回りました。

最大の強みを発揮したのが日本語です：1232スコアを記録し、2位に80ポイント以上の大差をつけました。これは後述する日本語開発者のフィードバックとも合致します。

留意すべき点として、これら3つのベンチマーク結果はいずれもGoogleが公式ブログのために選定したものであり、比較対象や指標は同社による選択に基づいています。リードしている領域は紛れもない事実であるものの、ElevenLabsが「人間らしい抑揚変化」や「声の質感」で勝っているといった詳細な事実は、表を精読して初めて浮かび上がってきます。

すでに導入している企業は何を重視しているか

Googleは初期のパートナー企業を多数公表しています。開発プラットフォームであるAgora、LiveKit、Pipecat、VercelはすでにGemini APIを通じて統合されており、開発者はこれらのプラットフォーム上で直接音声アプリケーションを構築できます。さらにFigma、HeyGen、Linguana、Wondercraft、99.co、Ollangなどが統合を進めており、主な用途はグローバルな吹き替え、地域アクセントに対応したローカライズ、音声Agentです。

各社のコメントを見ると、評価されているポイントは明確に集中しています：

• 日本語の正確さ：Katsuyo（活用）の開発者は、他のモデルは「演技過剰」になるか、日本語のピッチアクセントや漢字の読みでミスを犯すのに対し、3.8 Flashは感情的なセリフでも日常会話でも最も正確かつ自然であったため採用したと述べています。これはVoice Arenaで日本語首位を獲得した結果を裏付けています。
• 地域固有のアクセント：99 Group（99.co）はリアルタイムAI電話対話に導入しており、シングリッシュからインドネシア語に至るまで、ローカル言語やアクセントへの対応力を高く評価しています。
• 声の一貫性：これは最も多くの企業が口にしたキーワードです。AI動画プラットフォームのHeyGenは、ユーザーが作成したカスタム音声が累計2,000万個を突破したことに触れ、新しい音声デザインによって声の「一貫性がさらに高まった」と語っています。Simiaアプリのキャラクターや世界観を手がけるTransforms.AIは「声が安定していてこそ、より深い物語を支えられる」と述べ、YouTube動画の吹き替えを行うLinguanaは、大規模な制作パイプラインに不可欠な安定性を強調しています。
• オーディオブック：AIオーディオブック企業のSpokenは、自社システムで原稿内の感情、アクセント、キャラクターを分析した上で3.8 Flashに読み上げを任せており、「表情豊かなトーン」と「広範なコンテキストウィンドウ」を高く評価しています。
• 大規模なコンテンツ制作：ポッドキャストおよび音声広告プラットフォームのWondercraftはFlash-Liteを採用しており、大量生産を支えるに十分な一貫性と制御性を重視しています。

どこで利用できるか

両モデルともにすでに提供が開始されています：

開発者にとって最も手軽に体験できる方法は、Google AI Studioの音声生成機能です。Googleはこれを音声デザインのワークベンチとして構築しており、プロンプトからゼロベースで声をデザインしたり、自分の声を複製したりした上で、そのまま2人対話スクリプトエディタに読み込ませて1行ずつ演出を施すことができます。

安全性：同意の検証と不可視の電子透かし

音声クローンにおける最大のリスクは、なりすましや悪用です。Googleはこれに対し、3層の防御策を講じています：

• 同意の検証：声を複製する前に、本人が自らの声で同意声明を録音し、それが参照音声と一致することを確認します。
• SynthID電子透かし：Gemini Audioファミリーの全モデルが生成する音声には、GoogleのSynthID電子透かしが埋め込まれます。人間の耳には感知できませんが、音声データに直接織り込まれており、後からAIによって生成された音声であることを検出できるため、偽情報の拡散防止に役立ちます。
• C2PAクレデンシャル：複製された音声には、業界標準のコンテンツ来歴証明規格であるC2PAメタデータが付与され、誰がどのツールを用いて生成したかが記録されます。

安全対策に関するさらなる詳細は、Googleが公開しているGemini 3.8 Audio モデルカードに記載されています。