音声合成の実装で、これまで一番面倒だったのは「感情を付ける」ことだった。棒読みを避けるためにSSMLでピッチやポーズを刻み、それでも足りずに人の声を録り直す。その工程が、台本の行間に日本語で「ここはためらいながら」と書く作業に置き換わろうとしている。
Googleが2026年9月23日に公開した Gemini 3.8 Flash TTS と Gemini 3.8 Flash-Lite TTS は、同社が「これまでで最も表現力のある音声生成モデル」と位置づける2本立てのTTSだ。Gemini APIとGoogle AI Studioで同日から提供が始まっている。
注目点は音質そのものより、制御方法と権利処理が丸ごと作り替えられたことにある。プロンプトで声を新規に設計でき、30秒の音声サンプルから話者の声を複製できる。ただしその複製は、本人の「同意録音」を通さないと作れない。
- 声の設計がプロンプトになった：役柄・訛り・声質を自然文で書いて新しい声を生成できる
- 演技指示が行単位：
<laughs><sigh>などの発声タグ、|mhm|のような相づちを台本に埋め込める - 声の複製には二重の音声が必要：対象話者の30秒サンプル＋同一話者の口頭同意録音
- 複製機能は一部地域で無効：EEA、英国、スイス、インド、米イリノイ州・テキサス州。日本はこのリストに入っていない
今日の重要ポイント早見表
| 項目 | 内容 |
|---|---|
| 発表日 | 2026年9月23日（米国時間） |
| モデルID | gemini-3.8-flash-tts / gemini-3.8-flash-lite-tts |
| 提供先 | Gemini API、Google AI Studio（Gemini Notebook、Google Vidsにも順次） |
| 音声ライブラリ | 2,000超のプリセット音声、100以上の言語・方言 |
| 複製の条件 | 30秒の参照音声＋本人の口頭同意録音 |
| 来歴情報 | SynthID透かし、複製音声にはC2PA資格情報 |
プロンプトで声そのものを作る「ボイスデザイン」
従来のTTSでは、用意された声の一覧から選ぶのが出発点だった。今回はそこに、声を記述して作る経路が加わっている。
役柄、訛り、年齢感、話し方の癖を自然文で書くと、それに合う声が生成される。作った声は保存して再利用でき、Googleは長時間の生成でも声質のブレが小さいと説明している。プリセットは2,000超あり、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変種まで含む。
台本に「演出」を書き込む
もう一つの変更点が、行単位のディレクションだ。
- 1行ごとに自然文で言い回しや間、テンションを指示できる
<laughs><sigh><gasp>といった発声タグを台本中に置ける|mhm||yeah|のような相づちを、相手の発話に重ねる形で挿入できる- 2話者のシーンをネイティブに扱い、会話の掛け合いをそのまま生成できる
ポッドキャスト風の対話、ゲームのキャラクター台詞、オーディオブックの長尺ナレーション。これまで「1文ずつ生成して後から繋ぐ」前提だった用途が、台本を丸ごと投げる設計に寄る。Googleは数時間規模の連続音声でも破綻しにくいとしている。
ベンチマークでは、Flash TTSがHume AIのVoice Design Benchmarkで71.4のスコアで1位、総合品質インデックスでもFlashが1位・Flash-Liteが2位に並んだと発表されている。Voice Arenaでは日本語、ブラジル・ポルトガル語、ベトナム語、現代標準アラビア語、メキシコ・スペイン語、ヒンディー語で上位に入ったという。日本語が評価対象言語として名指しされている点は、国内実装を検討する側には無視できない。
声の複製は「同意録音」を通らないと作れない
ここが今回の発表で最も実務に効く部分だ。
声の複製（voice replication）は、本人の声、または利用権を持つ声の30秒の音声サンプルから一貫した声質プロファイルを再構成する。ただし生成前に、声の持ち主による口頭の同意録音が必要で、システムはそれが参照音声と同一話者かを照合する。
ここがポイント: 声の複製を「30秒あればできる機能」として設計してはいけない。同意録音が取得フローの一部であり、参照音声と同一人物であることの確認が生成の前提条件になっている。
生成物の側にも印が付く
- Gemini Audioの生成音声には、聴感上わからない SynthID の透かしが埋め込まれる
- 複製音声には C2PA の資格情報が付与され、声の出し手側の保護材料になる
つまり、出力を配布した後に「これは合成か」を判定する手段が、モデル提供側の仕組みとして同梱されている。ナレーターや声優と契約する現場では、成果物の来歴をどう扱うかが契約文面の論点になる。
使える地域と使えない地域
複製機能は、EEA、英国、スイス、インド、米イリノイ州、米テキサス州では提供されない。生体情報の取り扱いを厳しく規律する州法や地域法の存在が背景にあるとみるのが自然だが、Google側が理由を条文ごとに説明しているわけではない。
日本はこの除外リストに含まれていない。ここが国内の開発現場にとっての実務上の分岐点になる。使えるからこそ、同意取得と利用範囲の設計を自前で詰める必要があるという順番だ。
FlashとFlash-Lite、どちらを選ぶか
2モデルは性能の上下というより、想定ワークロードで分かれている。
- Flash TTS：キャラクター設計や深い演出方向けの生成。ゲーム、オーディオブック、没入型コンテンツ
- Flash-Lite TTS：大量生成とコスト効率重視。吹き替え、音声コンテンツの量産、音声エージェント
報道ベースではFlash-Liteの料金は100万トークンあたり入力約0.50ドル／出力約6ドルとされるが、Flash TTS側の単価を含め、料金は公式ドキュメントで確認したい。以前のTTSと同じ感覚でトークン数を見積もると、長尺生成では出力側が効いてくる。
日本の開発者と企業が見るべきポイント
開発者
- モデルIDは
gemini-3.8-flash-tts/gemini-3.8-flash-lite-tts。既存のTTS呼び出しから差し替える場合、SSML前提の制御を自然文ディレクションへ書き換える作業が発生する - 長尺生成を前提に設計できるため、「文単位で生成して結合」する自作パイプラインが不要になるケースがある
- 2話者ネイティブ対応により、対話コンテンツの合成順序を自前で管理する必要が薄くなる
企業利用・コンテンツ制作
- 声優・ナレーターの声を複製する場合、同意録音はモデル側の要件であって、契約上の同意取得を代替するものではない。利用期間、用途、二次利用の範囲は別途詰める必要がある
- 多言語展開する製品では、EEA・英国で複製機能が使えない。日本で作った複製音声を欧州向けに配信する場合の扱いは、機能提供地域とは別の論点として確認が要る
- SynthIDとC2PAが付く前提で、納品物の検収基準や表示方針を決めておくと後戻りが減る
一般ユーザー
Gemini NotebookではFlash TTSが、Google VidsではFlash-Lite TTSが利用可能になっている。日常的に触れる音声が合成かどうかの判別は、今後こうした透かし情報に依存する度合いが増える。
継続ウォッチ
- Gemini Enterpriseでの提供開始時期：企業向けの管理・監査機能がどう付くかで、業務導入の可否が変わる
- 公式ドキュメント上の料金と上限：報道値ではなく、トークン単価・最大出力長・同時実行制限の確定情報
- 除外地域の動き：EEA・英国で複製が解禁されるか、逆に対象地域が増えるか
- 日本語の実利用品質：ベンチマーク順位と、実際の長尺ナレーション・対話での安定性は別物。社内検証での確認が要る
今日のまとめ
Gemini 3.8のTTSが持ち込んだのは、音質の一段階ではなく制御レイヤーの移動だ。声はプロンプトで設計するものになり、演技は台本の行間に書くものになった。そして声の複製は、30秒の音声だけでは起動せず、本人の同意録音を通過して初めて成立する。
日本は複製機能の除外地域に入っていない。だから「使えるかどうか」ではなく、「誰の声を、どの範囲で、どう記録して使うか」を自社で決める作業が先に来る。次に確認すべきは公式ドキュメントの料金表と、Gemini Enterpriseでの提供条件。その2つが出そろうまでは、検証環境での実測を積む段階だ。
参考リンク
- Google Blog: Gemini 3.8 Flash TTS and Gemini 3.8 Flash-Lite TTS
- MarkTechPost: Google Releases Gemini 3.8 Flash TTS and Flash-Lite TTS With Prompt-Based Voice Design
- Unite.AI: Google Rolls Out Gemini 3.8 Speech Models In API And AI Studio
- Digital Trends: New Gemini TTS can now replicate voices and act out scripts