Google DeepMind、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。役割、アクセント、声の特徴を自然言語で指定して、100以上の言語と方言で新しい声を作成できる。2,000以上の制作用ボイスのライブラリも利用でき、30秒の音声サンプルから声を複製する機能もある。複製には本人の音声による同意録音の照合が必要で、生成音声にはSynthIDの透かしとC2PA認証情報が付く。声のリミックス機能は近日提供予定とされている。

演出面では、台本に自分で演技指示を書くか、台本の手がかりからGeminiに話し方を判断させられる。数時間に及ぶ長尺の生成でも話者のぶれを抑えるとされ、2人の話者による会話を1つの台本から扱える。<laughs>や<sigh>のような非言語表現、|mhm|のような相づちも指定できる。Gemini 3.8 Flash-Lite TTSは、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など、大量処理向けに最適化されている。

評価では、Flash TTSがHume AIのVoice Design Benchmarkで総合1位（71.4）、アクセント表現でも首位（60.8）とされる。Hume AIの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されている。Gemini 3.1 Flash TTSと比べ、長尺コンテンツや2人話者の台本制御が大きく改善したという。

提供範囲は、開発者向けにGemini APIとGoogle AI Studioで本日から開始。企業向けにはGemini Enterpriseで近日中にAPI経由で提供する。一般ユーザー向けには、Flash TTSがGemini Notebook、Flash-LiteがGoogle Vidsで利用できる。Google AI Studioには音声プレイグラウンドが加わり、声の作成や複製から2人話者の台本エディタでの演出までを行える。Agora、LiveKit、Pipecat、VercelがGemini API経由での構築を支援し、Figma、HeyGen、Linguana、Wondercraft、99.co、Ollangが導入を進めている。