Google、自然言語で声色や演技を自在に指示できる音声合成モデル「Gemini 3.8 Flash TTS」などを発表

要点

• 米Googleは2026年9月23日、新たな音声合成モデル「Gemini 3.8 Flash TTS」および「Gemini 3.8 Flash-Lite TTS」を発表した。

• プロンプトを用いてキャラクターの声をゼロから設計できるほか、セリフごとの感情や抑揚、相槌などを細部まで指示できる。

• わずか30秒の音声から再現する複製機能を備え、同意確認や電子透かし「SynthID」、来歴証明「C2PA」などの保護機能を標準搭載する。

• 2,000種以上の音声ライブラリや100以上の言語に対応し、APIやGoogle AI Studio、Google Vids等の各種製品で展開される。

• 米Googleは2026年9月23日（現地時間）、Geminiファミリーに属する新しい音声合成（TTS：テキストデータを人間の音声に変換する技術）モデル「Gemini 3.8 Flash TTS」および「Gemini 3.8 Flash-Lite TTS」を発表した。

• 従来の固定的なプリセット音声を選ぶ形式から、自然言語の指示（プロンプト）によって独自の声を一からデザインできるスタジオ環境へと刷新されている。開発者や企業向けにGoogle AI StudioやGemini APIを通じて提供されるほか、「Google Vids」や「Gemini Notebook」といったGoogle製品にも順次導入される。

用途に応じて設計された2つの新モデル

今回発表されたモデルは、用途や処理規模に合わせて2種類が用意されている。

表現力と細やかな演出性を重視したモデルが「Gemini 3.8 Flash TTS」である。ゲームやインタラクティブメディア、オーディオブック、ポッドキャストなどの用途を想定しており、自然言語のプロンプトによってキャラクターの声をゼロから創り出すことができる。セリフを1行ごとに細かくコントロールするディレクション機能を備えており、話すテンポや感情の強弱、方言や訛りの変化、さらには「相槌（バックチャネリング）」に至るまで指定可能だとしている。

一方の「Gemini 3.8 Flash-Lite TTS」は、大量処理とコスト効率に最適化されたモデルである。膨大な分量の動画コンテンツの吹き替え（ダビング）作業や、自然な応答が求められる対話型ボイスエージェントの構築に向いており、声のトーンや話速、繊細なニュアンスの制御を低コストかつ大規模に実行できる設計となっている。

ゼロからの声作りと2,000種以上の音声ライブラリ

音声の生成・カスタマイズ機能において、Gemini 3.8 Flash TTSは100以上の言語や地域方言に対応する。プロンプトで役柄やアクセント、声の質感を指定するだけで、「豪メルボルン出身のハイテンションなDJ」や「金属的で抑揚のないロボット」、あるいは「迫力ある日本のドラゴン」といった個性的な音声を生成できるという。従来の30種類程度だった規定ボイスの枠を超え、用途に合わせた幅広い声の作成が可能になる。

また、商用環境ですぐに利用可能な2,000種類以上の音声ライブラリも収録されている。メキシコ風のスペイン語やケベック州のフランス語、スコットランド英語といった地域ごとのアクセントも網羅している。作成したカスタム音声は保存して管理できるため、長期的な制作プロジェクトにおいても声質のブレを抑え、一貫したトーンを維持できる。

さらに、近日提供予定の機能として「音声リミックス（Voice remixing）」も予告された。ライブラリから選んだ既存の声をベースに、音色（timbre）やピッチ、話速、アクセントをプロンプトで微調整できるようになる予定だ。

30秒からの音声複製と徹底した安全対策

独自の音声作成に加え、実在する人物の声を再現する「音声複製（ボイスレプリケーション）」機能も備えている。利用許諾を得た30秒の短い音声サンプルを用意するだけで、一貫性のあるボイスプロファイルを作成可能だ。

声の複製や合成に伴う悪用リスクに対しては、複数の安全機能を標準で組み込んでいる。事前の同意確認（consent verification）プロセスの導入に加え、Googleが開発したAI生成コンテンツ判別のための不可視の電子透かし技術「SynthID」や、コンテンツの出所と改ざん有無を記録・証明する業界標準規格「C2PA」クレデンシャルを付与する。これにより、開発者と音声を提供する声優・タレントの双方の権利を保護する体制を整えた。

提供プラットフォームとGemini Audioの拡充

新モデルは「Google AI Studio」「Gemini API」「Gemini Enterprise」を通じて開発者や企業へ提供されるほか、動画作成ツール「Google Vids」やリサーチ支援ツール「Gemini Notebook」といったGoogle製品群の音声機能強化にも活用される。

Googleはこれまでにもリアルタイム音声翻訳モデル「3.5 Live Translate」や文字起こしモデル「3.5 Transcribe」、双方向会話モデル「3.8 Live」および「3.8 Live Extended Thinking」などを展開してきた。今回のGemini 3.8 TTSシリーズの追加により、音声入力や翻訳から高品質な音声出力・演出に至るまで、Gemini Audioファミリーの網羅性が一段と高まった格好だ。