Google、Gemini 3.8 Flash TTSとFlash-Lite TTSを発表

Gemini 3.8 Flash TTSは表現力と演出制御に重点を置いたモデルである。自然言語プロンプトで役割、アクセント、声の特徴を指定して新しい声をゼロから作れる。2,000以上の制作用ボイスのライブラリも使え、メキシコ系スペイン語やケベック・フランス語などの地域差にも対応する。30秒の音声サンプルから声を再現する機能もあり、作成した声は保存して継続案件で一貫して使える。ボイスリミックスは近日提供予定とされている。

Gemini 3.8 Flash-Lite TTSは大量処理とコスト効率を重視したモデルで、吹き替えや音声コンテンツ制作、表現力のある音声エージェント向けに最適化されている。どちらのモデルも行ごとの演技指示、数時間に及ぶ長尺生成、2人話者のシーン演出、<laughs>や|mhm|のような非言語表現と相づちに対応する。

評価面では、Gemini 3.8 Flash TTSがHume AIのVoice Design Benchmarkで総合1位（71.4）、アクセントモデリングでも首位（60.8）としている。Overall Quality IndexではFlash TTSが1位、Flash-Lite TTSが2位である。Voice Arenaの人間による盲検評価では、日本語を含む主要言語で上位に入ったと説明している。

安全面では、声の複製時に声の持ち主による口頭の同意録音が必要で、参照音声と照合される。生成された音声にはSynthIDの透かしが入り、複製機能ではC2PAクレデンシャルも使われる。提供面では、両モデルとも開発者向けにGemini APIとGoogle AI Studioで本日開始、企業向けにはGemini Enterpriseで近日中にAPI提供となる。一般向けにはFlash TTSがGemini Notebook、Flash-LiteがGoogle Vidsで使える。Figma、HeyGenなどが採用を進めている。