Gemini 3.8 テキスト読み上げ

元記事: 2026年9月24日原文(blog.google)

概要

Gemini 3.8 Flash TTS と Gemini 3.8 Flash-Lite TTS が新登場 音声生成 の表現力とカスタマイズ性が大幅向上 Google AI Studio や Gemini API など多彩なプラットフォームに対応 100以上の言語 と多様な声のデザインが可能 安全性・透明性 を重視した設計

Gemini 3.8 Flash TTS & Flash-Lite TTS：最先端の音声生成モデル

Geminiファミリー に新たに加わった2つのTTS（Text-to-Speech）モデル
Gemini 3.8 Flash TTS ：クリエイティブな演出やキャラクターボイス設計向け
- 自然言語プロンプト で完全新規の声を生成
- 演技指示・ペーシング・方言変化 など細かくコントロール可能
- ゲーム・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に最適
Gemini 3.8 Flash-Lite TTS ：大量生成・コスト効率重視
- 大規模な吹き替えや音声エージェント用途
- トーン・ペース・表現ニュアンス を細かく調整可能

カスタムボイス生成と活用

30種類のオリジナルボイス から 無限の声のライブラリ へ拡張可能
- ブランドアンバサダーや独自キャラクターの声を自在に設計
- 100以上の言語・方言 に対応
- 例：Mexican Spanish、Quebec French、Scots Englishなど地域バリエーションも豊富
音声複製 ：30秒の音声サンプルから一貫性あるボーカルプロファイルを再現
- 同意確認・SynthIDウォーターマーク・C2PA認証 による保護機能
カスタムボイスの保存・管理 でプロジェクト間の一貫性維持
ボイスリミックス（近日公開） ：既存ボイスの 音色・ピッチ・ペース・アクセント を微調整

精密なパフォーマンス指示

台詞ごと に演技を細かくディレクション
- 独自の演出指示やスクリプトキューで自然な会話や感情表現を実現
長尺音声生成 ：ポッドキャストやオーディオブック向けに高品質・自然な声を維持
2人の会話シーン を単一スクリプトで簡単に演出
ノンバーバル表現 やバックチャンネル（例：、、|mhm|など）も自在

世界最高水準の音声生成品質

Hume AI’s Voice Design Benchmark で総合1位（71.4点）、アクセントモデリングでも1位（60.8点）
Hume AI’s Overall Quality Index でFlash TTSが1位、Flash-Liteが2位を獲得
Voice Arena のブラインド評価で日本語・ブラジルポルトガル語・ベトナム語・アラビア語・メキシコスペイン語・ヒンディー語など主要言語で首位
100以上の言語 対応によりグローバルな音声体験を実現

安全性・透明性・信頼性の確保

音声複製時の同意確認 ：権利者本人の声による同意録音が必須
SynthIDによるウォーターマーク を全音声データに付与
- AI生成音声 の識別性を確保し、誤用や偽情報拡散を防止
責任あるAI開発 のための安全設計と透明性

Google AI Studioでの体験とAPI連携

Google AI Studio で新しい音声生成機能を即時体験可能
- ボイスデザインワークスペース として新規ボイス作成や声の複製も容易
- 2人会話スクリプトエディタ で細かな演出もサポート
Gemini API との連携で Agora、LiveKit、Pipecat、Vercel など開発プラットフォームに統合
Figma、HeyGen、Linguana、Wondercraft、99.co、Ollang 等のパートナー企業が導入
- グローバルな吹き替えや地域アクセントのローカライズ、会話型音声エージェントの大量展開を実現

利用開始方法・提供状況

Gemini 3.8 Flash TTS
- 開発者向け ：Gemini API、Google AI Studioで提供中
- 企業向け ：Gemini EnterpriseのAPIで近日提供
- 一般ユーザー向け ：Gemini Notebookで利用可能
Gemini 3.8 Flash-Lite TTS
- 開発者向け ：Gemini API、Google AI Studioで提供中
- 企業向け ：Gemini EnterpriseのAPIで近日提供
- 一般ユーザー向け ：Google Vidsで利用可能

ニュースレター登録案内

Google製品の最新情報・イベント・特別オファー をメールで配信
プライバシーポリシー に準拠し、いつでも配信停止可能

提供: ハクソク · 要約更新: 2026年9月24日

AIによる日本語要約です。内容は原文とあわせてご確認ください。

Hacker Newsの議論を読む

Hackerたちの意見

これが私の感情豊かなオーディオブッククリエイター、KeenLoreの動画です。ローカルホストのウェブアプリです。クラウドもトークンも不要。フルキャストのキャラクターで本を読み上げます。私の小説の引用の特定精度は97.2%（485/499の引用が正しく特定され、割り当てられました）。キャラクターの声の説明の自動入力は、文章を使ってキャラクターの声を決定します。プローズ分析（声の充填、引用の特定）にはGemma 4を使用し、声のサンプル作成にはQwen3 TTS Voice Designを使っています。8GBのNVIDIA T1000 GPUカード、96GBのRAM、AMD Ryzen 5 7600で動作します。

└

動画のタイトルは「KeenLore - Emotive Audiobook Creator Demo」で、テキストファイルを読み上げるウェブUIとローカルスタックのようです。

└

すごい技術ですね。私はオーディオブックをたくさん聞くし、何百時間もTTSを聴いています。テキストからキャラクターの声を脳内で補完できる気がします。ページ上では異なるフォントのようには見えないですしね。オーディオブックのナレーターがよくやることだし、それは楽しいです。でも、私の意見ではそれほど重要ではないかな。

└

すごい！こういうの作りたかったんだけど、なかなか手が回らなかったんだ。テキストに「舞台指示」みたいな追加の注釈をつけて、本の読み方に影響を与えることってできるの？

└

今年ずっと似たようなプロジェクトに取り組んでるんだけど、アドバイスとしては、Qwen3の代わりにFish AudioやHiggsを試してみるといいよ。どちらもずっと良いプロソディを出してくれるし、長時間聞くのも楽だよ。

声の再現：自分の声や使用権を持つ声の30秒の音声サンプルから、一貫した声のプロファイルを再現します。内蔵の同意確認、SynthIDの透かし、C2PAの資格情報で、開発者と声の才能の両方を保護します。今や他のプロバイダーから声のクローン技術が広く利用可能になったので、Googleももうためらわずにこれを提供するようになったのかな。

└

おそらく、GPT-Liveのようなことをしていて、特定の声のプロファイルから「これはこの声の持ち主で、合成サンプルを作ることに同意します」と言っているサンプルを送ることを期待しているのか、またはローカルの声のクローン技術が十分に良いので、Googleが特別な責任を持たせないのかもしれませんね。

└

昨夜、QwenTTS 1.7Bを使ってプロジェクトやってたんだ。ちょっとデバッグして、クリーンな録音でクリーンなデータセットを作って、いいファインチューニングレシピを試してみた（昨日の新しいGPTモデルが安くなってたのも大きい）。そしたら、めちゃくちゃいい音のロボット自分を作れた。家族もびっくりしてたし、数時間でできたよ。だから、もう秘密じゃないね。

└

これ、かなり前から可能だったよ（多分1～2年くらい）。結構いい感じでできるオープンモデルがいくつかあるし。最近のYouTubeフィードからの例: https://m.youtube.com/watch?v=WENMgQE9tws

私は自分の長い夢の中のスタートレックファンフィクションを演出しています（今はシーズン2の17話）。最近、各シーンファイルをオーディオブックやラジオドラマのように読み上げてもらえるか調べてみました。GPT-Liveでユニークな声を得て、頭の中で想像している声の表現を指示するのは難しいです。制御が足りないんですよね。だから、このGemini 3.8特有の大きな声のライブラリと、（スクリプトを書く気があれば）しっかり制御できる機能が見つかって嬉しいです。どの5,286のGemini製品なのか、どうやって自分のテキストファイルを使い始めるのか、データを使った場合にどんなトレーニングが行われるのかは分からないけど、Googleがこれを実現して公開できる業界の状態が素晴らしいと思います。これなら、最終的には他の誰かから同等の製品が出てきて、生成された音声や入力が保持されずに安心して使えるようになるはずです。

└

オリジナルシリーズとネクストジェネレーション、どっちが好き？

└

これ、面白いかも！オーディオドラマを作るのにぴったりなものみたいだよ： https://github.com/Finrandojin/alexandria-audiobook それと、Qwen3-TTSのデモもクールで、欲しい声を指定できるんだ： https://huggingface.co/spaces/Qwen/Qwen3-TTS この2つはこのサブレディットで見つけたんだけど、めっちゃ活発だよ： https://www.reddit.com/r/TextToSpeech/ 私は個人的にこれをローカルで使ってる： https://github.com/mateogon/pdf-narrator （KokoroのPythonフロントエンド）M1 Macbook Air（2020年モデル、8GB RAM）で使ってるけど、すごくいいよ。今は自分でオーディオブックを作ってる - 無料でね！お気に入りの声はam_michaelで、サンプルはこちら： https://voicerankings.com/voice/kokoro-82M/male/am_michael/s...

Hacker Newsで議論の続きを見る