Gemini 3.8 Flash TTS: プロンプト1行で声をデザインする

「落ち着いたプロフェッショナルな声、少しイギリス訛り」とタイプするだけで、AIがその声を作り出す。キャスティングも録音ブースも不要だ。

Googleは2026年9月23日、Gemini 3.8 Flash TTSとGemini 3.8 Flash-Lite TTSをGemini APIとAI Studioで公開した。単純なテキスト音声変換ではない——声そのものをデザインするツールだ。

声を「注文」する時代

従来のTTSサービスの限界は明確だった。提供されたリストから一つを選ぶだけ。気に入らなければ選択肢はない。

Gemini 3.8 Flash TTSの核心機能Voice Designはこの構造を覆す。欲しい声を自然言語で説明すると、AIがその説明をもとにまったく新しい声を生成する。

例えば：

声のアクセント、速度、感情、間を直接調整できる。ウィスパー、笑い声、ため息といった細かい表現も指示できる。

最初から設計するのが大変なら、2,000以上の既製音声プロファイルから始めることができる。

このリストは100言語以上をカバーし、ケベック・フランス語、スコットランド英語、メキシコ・スペイン語など地域の方言バリエーションも含む。言語を選ぶのではなく、声の「出身地」を選ぶようなイメージだ。

日本語も含まれているため、日本のコンテンツクリエイターにも実用的な選択肢が生まれた。

Googleは今回、2つのバリアントモデルを同時にリリースした。

モデル	特徴	主な用途
Gemini 3.8 Flash TTS	深いクリエイティブ演出、キャラクターデザイン	ゲーム、ポッドキャスト、オーディオブック
Gemini 3.8 Flash-Lite TTS	高速・低コスト、大量処理最適化	大規模メディア吹替、コンテンツ大量生成

クリエイティブプロジェクトにはFlash TTS、ビジネス規模の自動化にはFlash-Lite TTSを選べばよい。

Voice Cloning機能も提供される。30秒の音声サンプルを提供すると、AIがその声の特徴を学習し、新しいテキストを同じ声で読み上げる。

ただし条件がある。声の主の録音による同意が必須だ。また生成されたすべての音声にはGoogleのSynthIDウォーターマークとC2PA資格情報が自動的に埋め込まれる。

マルチスピーカー機能も注目に値する。1つのスクリプトから2人の異なる話者が会話するオーディオを生成できる。ポッドキャストの対談、教育コンテンツの対話形式などに即活用できる。

① 講義コンテンツの自動化：教育者は講義スクリプトを一貫した声で素早くオーディオ化できる。Flash-Lite TTSで大量処理するとコストも大幅削減できる。

② 多言語コンテンツ展開：日本語で制作したコンテンツを100言語の自然な声で自動翻訳・変換するパイプラインを構築できる。

③ パーソナルブランドの声：YouTuberやポッドキャスターなら自分の声をクローンしておけば、原稿を書くだけでコンテンツが完成する。

④ インタラクティブメディア：ゲームやエドテックアプリで各キャラクターにVoice Designで固有の声を作れば、キャスティングコストなしに没入感を高められる。

Gemini 3.8 Flash TTSは声を「選ぶ」ツールではなく「作る」ツールだ。プロンプト1行がスタジオ1室を代替する時代が来た。

Sources: