Google、音声合成モデルGemini 3.8 Flash TTSとFlash-Lite TTSを発表

Gemini 3.8 Flash TTSは、キャラクター設計や演出に重点を置いたモデルである。役柄、アクセント、声の特徴を自然言語で指定して新しい音声を作成でき、2,000種類以上の音声ライブラリも使える。30秒のサンプルから音声を複製する機能もあり、同意確認、SynthIDによる電子透かし、C2PAクレデンシャルで保護される。音声のリミックスは近日提供予定の機能とされている。

演技面では、一行ごとの演技指示、数時間におよぶ長尺音声の生成、単一の台本からの2者間対話の演出に対応する。<laughs>や<sigh>といった非言語の手がかり、|mhm|や|yeah|のような相づちを台本に入れることで、会話の質感や間を表現できる。Gemini 3.8 Flash-Lite TTSは大規模でコスト効率の高い運用向けで、大量の吹き替えや音声エージェントに最適化されており、トーンやペースの調整も可能である。

評価面では、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）となった。Overall Quality IndexではFlash TTSが1位、Flash-Lite TTSが2位である。人間によるブラインド選好評価の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、ヒンディー語などでトップになったと説明されている。

提供範囲は、開発者向けにはどちらもGemini APIとGoogle AI Studioで、企業向けにはGemini EnterpriseのAPI経由で近日提供予定である。一般ユーザー向けには、Flash TTSがGemini Notebook、Flash-Lite TTSがGoogle Vidsで利用できる。Google AI Studioには音声デザイン用の新しいオーディオ プレイグラウンドが加わり、音声の作成や複製から2者間の台本エディタでの演出までを行える。生成された音声にはすべてSynthIDの電子透かしが埋め込まれる。