Google、自然言語でゼロから声を作れる「Gemini 3.8 Flash TTS」を発表

Flash TTSは、キャラクターの声作りや細かな演出の指示に向いたモデルで、ゲームやオーディオブック、ポッドキャストでの利用を想定している。一方、低価格なFlash-Lite TTSはコスト効率を重視しており、大量の吹き替えや音声エージェントなどの用途に向く。

新モデルの大きな特徴は、従来の既定音声から選ぶ形式に加え、自然言語による指示で新しい声をゼロから生成できる点だ。役柄やアクセント、声質などを指定して作成した声は保存が可能で、長期的なプロジェクトでも同じ声を使用できる。また、30秒の音声サンプルから声を再現する「ボイスレプリケーション」機能も備える。なお、レプリケーションの利用には、話者の口頭による同意と録音の提出が必要となる。

演技面では、1行ごとにト書きのような指示を記述することで、話すペースや感情、笑い声やため息といった非言語音、相づちなどの挿入を制御できる。生成された音声には、AI生成であることを検出するための電子透かし技術「SynthID」が埋め込まれる。