Googleが指示で声を作るAIを発表

Googleは、Gemini Audioファミリーの新しいテキスト読み上げ（TTS）モデルとして、Gemini 3.8 Flash TTSとGemini 3.8 Flash-Lite TTSの2つをリリースしました。Googleはこれらを、これまでで最も表現力豊かな音声生成モデルと呼んでいます。Flash TTSはクリエイティブな演出やキャラクターボイスを対象とし、Flash-Lite TTSは大量で費用対効果の高い制作を対象としています。どちらのモデルも、開発者が自然言語を使って行ごとに音声の配信を指示できます。<br>導入可能か？はい、両モデルは現在、Gemini APIとGoogle AI Studioを通じて展開されています。アクセスはAPI経由のみで、自己ホスト用のオープンウェイトは提供されません。Gemini Enterpriseを介したエンタープライズAPIアクセスは「近日公開」とされています。<br>Googleが提供したもの<br>今回のリリースでは、TTSが共有の指示制御を持つ2つの階層に分割されています。<br>Gemini 3.8 Flash TTSは、深いクリエイティブな演出とキャラクターデザインのために構築されています。対象となる用途には、ゲーム、没入型オーディオブック、ポッドキャスト、インタラクティブメディアなどがあります。演技の合図、ペース、方言の切り替え、バックチャネル（相槌など）に対してきめ細かな制御を提供します。<br>Gemini 3.8 Flash-Lite TTSは、大量で費用対効果の高いスケール（規模）のために構築されています。Googleはこれを、吹き替え、オーディオコンテンツ作成、表現力豊かな音声エージェント向けに位置付けています。トーン、ペース、表現のニュアンスに対してきめ細かな制御を提供します。AI Studioでは、プレイグラウンドのリンクはモデル識別子 gemini-3.8-flash-tts と gemini-3.8-flash-lite-tts を使用しています。<br>テキストプロンプトからの音声デザイン<br>以前のGemini TTSは30種類のオリジナル音声を提供していました。3.8リリースでは、はるかに大規模な音声システムに移行します。<br>生成的な音声デザイン: Flash TTSは、役割、アクセント、音声特性を記述するプロンプト（指示文）から新しい音声を作成します。これは100以上の言語と方言で機能します。Googleのデモには、メルボルンのDJ、単調なロボット、日本のドラゴンが含まれています。<br>音声ライブラリ: 開発者は2,000以上の本番環境で利用可能な音声を利用できます。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などの地域ごとのバリエーションも含まれます。<br>保存とスケール: カスタム音声は保存して再利用でき、プロジェクト間でのドリフト（ずれ）は最小限に抑えられます。<br>音声リミックス（近日公開）: ユーザーはライブラリを調整できます。