AI

Googleの音声生成AI、声質やアクセントを文章で指定

この記事のポイント

  1. 実現したこと

    音声合成モデルGemini 3.8 Flash TTSで、役柄や声の特徴を指定して独自の声を作成できるようになった。

  2. 実現の仕組み

    台本に話し方や速度の指示を書き込み、Flash TTSとFlash-Lite TTSの発話を台詞ごとに制御する。

  3. 得られた結果

    Googleの公表値では、Flash TTSがHume AIの声の設計評価で71.4を記録し、総合1位となった。

  4. 従来との違い

    既成の声の選択肢が、従来の30種類から2000種類超の制作向けライブラリへ広がった。

明るい音声制作室で、中央の白紙の台本から青と橙の音の流れが分かれて、ヘッドホンを着けた2人の話者へ届く様子。机にはマイクと音声機材が置かれている。
AI生成画像

音声生成で、声そのものの設計と台詞ごとの演技指定が可能になった。Googleの音声合成モデルGemini 3.8 Flash TTSは、役柄やアクセントを文章で受け取り、独自の声を作成する。Flash-Lite TTSと共通の台本制御では、2人の会話や相づちも生成できる。

役柄と声の特徴を指定し、保存して使う

Googleによると、音声合成モデルのGemini 3.8 Flash TTSは、自然言語で役柄、アクセント、声の特徴を指定すると、新しい声を作成できる。声の設計は100を超える言語・方言に対応し、話者の特徴を文章から音声へ反映する。

既成の声も、従来の30種類から2000種類超の制作向けライブラリへ広がった。メキシコのスペイン語やケベックのフランス語など、地域ごとの言葉の違いも選択肢に含む。独自に作成した声は保存・管理でき、継続する制作で再利用することができる。

台本の指示で2人の会話と相づちを生成

声を選んだ後は、台本で発話の仕方を指定する。Googleによると、Flash TTSと、音声合成モデルのGemini 3.8 Flash-Lite TTSは、台詞ごとの指示を受け取り、話し方や速度を制御できる。

両モデルは、単一の台本から2人の話者が交互に話す会話を生成し、それぞれの声を区別する。台本には笑い声、ため息、息をのむ音や相づちも指定でき、台詞に加えて会話中の反応を音声に組み込むことができる。

30秒の音声から声を再現し、同意録音で確認

独自の声を文章から設計する方法に加え、Flash TTSには既存の声を再現する機能がある。Googleによると、本人の声、または利用権限のある声の30秒の音声サンプルから、声の特徴を再現できる。

声の複製には、声の所有者が口頭で同意した録音を提出する必要があり、その話者が参照音声の話者と一致することを確認する。生成後の音声には、AI生成物を識別するための透かし技術SynthIDを埋め込む。Googleは、この透かしをGemini Audioモデルが生成するすべての音声クリップに適用するとしている。

声の設計評価と音声品質評価で上位に

Googleの公表値では、Flash TTSはHume AIによる声の設計評価Voice Design Benchmarkで71.4を記録し、総合1位となった。この値は、声の特徴を指定して生成する能力についての評価結果である。

音声品質を評価するHume AIのOverall Quality Indexでは、Flash TTSが1位、Flash-Lite TTSが2位となった。こちらは声の設計評価とは別の指標で、Googleは2つのモデルの音声品質に関する結果として公表している。