Google、Gemini 3.8 Flash TTS音声モデルを展開

Googleの音声生成事業は、新モデルを利用者層で分けている。Gemini 3.8 Flash TTSはゲームキャラクターやオーディオブック、ポッドキャストなど創作向け。Gemini 3.8 Flash-Lite TTSは吹き替えや音声コンテンツ、音声エージェント向けの低コスト大量音声生成が狙いだ。両モデルはGemini APIとGoogle AI Studioを通じて展開される。Flash TTSはGemini Notebookにも登場し、Flash-Lite TTSはGoogle Vidsで利用可能。Gemini Enterprise API経由のアクセスも今後予定されている。

安全性の面では、Googleは音声をクローンされる本人が同意の口述を録音することを求めており、その録音の声は30秒のサンプルと一致しなければならない。生成されたすべてのクリップには不可聴のSynthID透かしも入る。AgoraやLiveKit、Pipecat、Vercelなどの開発者プラットフォームはすでにGemini API経由の統合に対応しているが、従来のTTSモデルがEUデータ処理を提供していたにもかかわらず、Googleは新モデルのリージョナルエンドポイントをまだ公表していない。

試金石となるのは、Googleが約束した音声品質を大規模に提供できるかどうかだ。スタイルプロンプト付きのプリセット音声を試したところ、説得力のあるドイツ語なまりが再現された一方、高音の背景ノイズが生じ、あるクリップでは最後に声が変わった。要求の厳しい制作現場に投入するには、まだ改良が必要かもしれない。Googleは無料枠のデータは製品改善に使うが有料枠のデータは使わないとしており、コストとデータ管理を天秤にかける企業にとっては重要な点だ。さらに2027年1月1日にはFlash TTSの出力1時間あたりの料金が0.81ドルから1.62ドルに引き上げられる予定で、大量利用者の長期的なコスト計画にも影響しうる。