GoogleのGemini 3.8 Flash TTS、Hume AIベンチマークで首位

Googleの新しい音声合成モデルは、同社がすでに投入してきた音声処理ツール群の一環として登場した。音声エージェントや文字起こし、翻訳に最適化したアルゴリズムも含まれる。この経緯から、単一製品ではなくスイートを構築していることがうかがえ、新しい2モデルはAPIが非常によく似ているため、開発者は並行して使い分けられる。

注目すべきはカスタマイズ性だ。2,000種を超える既製ボイスのライブラリに加え、開発者は自然言語プロンプトか30秒の音声サンプルでカスタム音声を作成できる。複製を生成する前に話者の同意を得ることがGoogleから求められている。さらにGoogleは既製ボイスを改変する第3の選択肢も計画しており、AI話者の音色やアクセント、話す速さをどこまで制御できるかが広がる。

Hume AIのベンチマークで高い評価を得たことは、音質とコストを天秤にかける開発者の獲得に役立つ可能性がある。ただしFlash TTSは価格が高く、言語対応もFlash-Liteの101言語より狭いため、オーディオブックなど特定の用途で企業がどちらを選ぶかに影響しそうだ。