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。