Gemini 3.8 テキスト音声モデル公開

Googleは本日、音声生成技術の新たな段階を示すテキスト音声変換モデル「Gemini 3.8 Flash TTS」と「Gemini 3.8 Flash-Lite TTS」の公開を発表した。従来単調だった音声合成を動的なクリエイティブスタジオへと進化させ、開発者、クリエイター、企業向けに高品質で表現豊かな音声体験の実現を可能にする。 Gemini 3.8 Flash TTSはキャラクター設計や深いクリエイティブ指示を目的として設計され、自然言語プロンプトから独自の声を作成したり、セリフごとに抑揚、ペース、方言、会話間の反応を細かく制御できる。一方、Gemini 3.8 Flash-Lite TTSは大容量の吹き替えや音声エージェント向けに最適化され、コスト効率と表現の細かさを両立する。両モデルは、二千以上の実戦準備済みボイスライブラリと、三十秒の音声サンプルからの音声複製機能を搭載。複製時は音声提供元の同意検証に加え、合成音声への不可視透かしSynthIDやC2PA認証情報を自動的に付与し、知的財産と情報の透明性を保護する。また、近い将来、音色やアクセントをプロンプトで調整する音声リミックス機能も追加予定だ。 性能面では、Hume AIの音声設計ベンチマークにおいて総合首位を獲得し、アクセントモデリングでも最上位を維持。Voice Arenaのブラインドテストでは日本語、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、ヒンディー語など主要言語で競合モデルを凌駕。百以上の言語に対応し、長尺コンテンツやマルチスピーカー台本の制御精度もGemini 3.1 Flash TTSから大幅に向上した。 現在、機能はGoogle AI Studioのオーディオプレイグラウンドで公開され、開発者は双方向台本エディターを用いて直感的な音声制御が可能だ。Gemini APIを通じ、AgoraやLiveKit、Vercelなどのプラットフォームと連携することで、高パフォーマンスな音声インターフェースのデプロイが簡素化された。さらにFigma、HeyGen、Linguana、Wondercraftなど主要テック企業とのパートナーシップにより、グローバルなメディアローカライズ、地域アクセントを反映した吹き替え、大規模会話型音声エージェントの実装が加速している。Gemini Audioファミリーは既存の翻訳、文字起こし、リアルタイム思考モデルと補完し合い、AI音声技術の産業標準化をさらに推進する。