概要
Google DeepMindは2026年9月23日、音声合成(テキストを読み上げる技術、TTS)の新モデル「Gemini 3.8 Flash TTS」と「Gemini 3.8 Flash-Lite TTS」を発表しました。自然な言葉の指示だけでオリジナルの声を作ったり、感情やペースまで細かく演出できるのが特徴です。
何が発表・更新されたのか
今回発表されたのは2つのモデルです。
- Gemini 3.8 Flash TTS:ゲームやオーディオブック、ポッドキャストなど、キャラクター作りや演技の細かい演出に向いたモデル。せりふ一行ごとに話し方や間、方言の切り替えまで指示できます。
- Gemini 3.8 Flash-Lite TTS:大量の吹き替えや音声コンテンツ制作、音声エージェント(自動応対する音声AI)向けに、コストを抑えつつ高速に処理できるモデルです。
主な機能として、公式ブログでは以下が紹介されています。
- 自然言語の指示だけで、100以上の言語・方言に対応したオリジナルの声を一から作成できる
- 2,000種類以上の完成済みの声をすぐに使える
- 30秒程度の音声サンプルから、本人の声を再現できる(利用には本人の同意確認が必要)
- 笑い声やため息、相づちなど、会話らしい間合いや反応も指示で再現できる
- 2人の話者が自然に会話する場面を、1つの台本から作成できる
いずれの音声にも、AI生成であることを識別できる電子透かし「SynthID」が組み込まれており、C2PA(コンテンツの来歴を示す仕組み)による証明も付けられています。
公式ブログによると、Gemini 3.8 Flash TTSは音声デザインの評価基準「Hume AI Voice Design Benchmark」で総合1位(スコア71.4)、アクセント再現でも1位(60.8)を獲得したとのことです。また、日本語を含む複数言語での人による比較評価でも上位に入ったと説明されています。
なぜ重要なのか
これまでの音声合成は、決まった声(プリセット)から選ぶ形が中心でした。今回のモデルは、言葉での指示だけで声を一から作れる点が大きな変化です。声の演技指示をせりふごとに細かくコントロールできるため、単なる読み上げではなく「演出された音声コンテンツ」を作りやすくなります。
誰に関係があるのか
- ポッドキャストやオーディオブック、動画コンテンツを制作するクリエイター
- 音声エージェント(自動応答の音声AI)を開発するエンジニア
- 多言語ナレーションや吹き替えが必要な企業の担当者
- 音声UIを組み込んだ製品を検討している中小企業の実務担当者
仕事や業務でどう使えるのか
- 研修動画や商品紹介動画のナレーションを、統一したブランドボイスで作成する
- カスタマーサポート向けの音声エージェントに、落ち着いたトーンなどを指示して作る
- 多言語対応が必要な音声コンテンツを、同じキャラクターの声で複数言語展開する
- 社内向けの音声マニュアルやポッドキャスト形式の情報共有を効率化する
これらの機能は、Google AI Studio、Gemini API、Gemini Enterprise、Gemini Notebook、Google Vidsといった場所から利用できると公式ブログに記載されています。
注意点
- 他人の声を再現する「音声レプリケーション」機能は、本人の同意を確認する録音が必要とされており、無断で誰かの声を複製することはできない仕組みになっています。
- 生成された音声にはSynthIDの電子透かしが常に埋め込まれます。
- 料金プランや日本での提供状況、対象となる契約プランの詳細については、公式情報上では確認できませんでした。
- 「音声リミックス機能」(既存の声のピッチやアクセントを調整する機能)は、公式ブログ時点では「近日提供予定」とされており、まだ利用できません。
公式情報
Google DeepMind Blog:Gemini 3.8 text-to-speech says hello
関連キーワード
- Gemini API
- Google AI Studio
- Gemini Enterprise
- 音声合成(TTS)
- SynthID
- 音声エージェント





