Google Gemini 3.1 Flash TTS

音声タグは目玉の機能だ。自然言語の命令をテキストに直接埋め込む。たとえば[very fast]や[sarcastically, one slow word at a time]と書き、モデルはそれに従って演じる。決まったリストはないため、普通の言葉でタグを書けば、モデルが最善を尽くして解釈する。[cough]、[sighs]、[gasp]などの非言語音も加えられる。短いタグで、大きな変化が出る。

Gemini 3.1 Flash TTSは70以上の言語をカバーし、単一の平板な語りではなく地域アクセントを用意する。だから同じ台本でも、汎用の一つの声に翻訳されたのではなく、本当にその土地らしく聞こえる。たとえば英語にはSouthern US、California Valley、Brixton、標準イギリス英語といったアクセントがある。モデルは入力の言語を自動で検出するため、手作業でタグ付けする必要はない。

モデルは1回の出力で複数の声を生成し、それぞれを発話をまたいで一貫させる。各キャラクターにオーディオプロファイルを割り当て、監督メモで話者ごとに速さ、トーン、アクセントを切り替える。長い会話が途中で同じ声に流れていくことはない。

シーン演出は録音全体の文脈を定める。場の設定と対話の指示を書く。モデルはその世界観を使ってキャラクターを役柄に留める。緊迫した取り調べ室として組まれた場面は、深夜のコンビニとは違って読まれる。モデルはそうした手がかりに反応する。同じ台本でも、部屋が変われば語りが変わる。

数千件のブラインドの人間選好から作られた指標であるArtificial AnalysisのTTSリーダーボードで、このモデルはElo 1,211を記録したとGoogleは述べる。同社はこれを自社で最も自然で表情豊かな音声モデルと呼ぶ。Artificial Analysisも、品質とコストのバランスで「最も魅力的な象限」に置いた。数字だけでは測れないが、そのスコアは上位に近い位置を示す。

モデルが生成するすべてのクリップにはSynthIDウォーターマークが付く。これは音声に沿って移動するGoogleの不可視で機械検証可能なラベルで、Googleが提供するツールで確認できる。プラットフォームや監査者は、その音声がこのモデル由来だと確認できる。声のクローンや誤情報を心配する発信者にとって、後付けではなく標準搭載の来歴チェックになる。

AI Studioで声を整えたら、設定全体をGemini APIのコードとして書き出せる。これによりプロジェクトをまたいでキャラクターの音が一貫し、アプリを切り替えるたびに声をゼロから作り直さずに済む。同じナレーターを2つの製品で使いたい？一度書き出せば、どこでも再利用できる。