水色を背景に青・赤・黄・緑のバーが波形状に並んだ、Googleのブランドカラーによる音声波形のイラスト

記事

Gemini 3.8 Flash TTS登場——台本を1行ずつ演じさせられる音声生成、ベンチマークで首位に

Googleが音声生成モデル「Gemini 3.8 Flash TTS」「Gemini 3.8 Flash-Lite TTS」を発表しました。ゼロから声を作るGenerative voice designや、台本を1行ずつ演出できる機能、ベンチマーク結果を整理します。

Googleは、Geminiファミリーに新しい音声生成モデル「Gemini 3.8 Flash TTS」と「Gemini 3.8 Flash-Lite TTS」を追加したと発表しました。従来の固定プリセットによる音声生成から、キャラクターの声をゼロから作り込み、セリフごとに演出を指示できる「創作スタジオ」的な体験への転換を掲げており、Google AI StudioやGemini API、Gemini Enterprise、Gemini Notebook、Google Vidsといった複数の製品から利用できます。

ゼロから声を作る「Generative voice design」

Gemini 3.8 Flash TTSは、深い創作的ディレクションとキャラクターデザインに重点を置いたモデルです。自然言語のプロンプトだけで、役柄・アクセント・声質を指定した完全にオリジナルな声を100以上の言語・方言にまたがって作成できます。炎を吐くドラゴンのようなドラマチックなキャラクターから、地域色のあるナレーターまで、用途に応じた声を生成できるとしています。あわせて、2000種類以上の制作用途対応ボイスを収録した拡張ライブラリも用意されており、メキシコスペイン語やケベックフランス語、スコットランド英語といった地域バリエーションもカバーします。従来の30種類程度のプリセット音声から、事実上「無限のライブラリ」へと選択肢が広がった形です。低コストで大量生成を行いたい用途には、吹き替えや音声コンテンツ制作、音声エージェント向けに最適化された「Gemini 3.8 Flash-Lite TTS」が用意されています。

音声品質のベンチマークで首位を獲得

Googleによれば、Gemini 3.8 Flash TTSはHume AIが実施する「Voice Design Benchmark」の総合スコアで71.4を記録し首位を獲得、アクセント再現のスコアでも60.8で首位に立ったとしています。総合的な品質を測る「Overall Quality Index」でも、Gemini 3.8 Flash TTSが1位、Flash-Lite TTSが2位を占めたと説明しています。

Hume AIによるText-to-Speech Voice Design Leaderboardで、Gemini 3.8 Flash TTSがElevenLabs Voice Design v3やInworld Voice Designを上回るスコアを記録したベンチマーク表

画像引用元: Google Blog

人間による評価者を用いたブラインドテスト「Voice Arena」でも、日本語、ブラジルポルトガル語、ベトナム語、現代標準アラビア語、メキシコスペイン語、ヒンディー語といった主要言語で上位の評価を獲得したとしています。前世代のGemini 3.1 Flash TTSと比較して、長時間コンテンツや2人の話者を含む脚本のコントロールといった用途でも大きく改善したとしており、多言語対応が求められる制作現場での実用性を意識した仕上がりになっていそうです。

収録なしで台本を1行ずつ演じさせる制御機能

声を選んだあとは、セリフ単位で演出を指示できる点が大きな特徴です。開発者は独自のト書きを書き込むか、Geminiに自然な台本の手がかりを与えるだけで、落ち着いたカスタマーサポート担当者からささやくようなサスペンスシーンまで、演技のニュアンスを調整できます。数時間に及ぶ連続音声でも声質やペース、話者の一貫性を保ったまま生成できる長尺対応や、1本の台本から複数話者の会話を自然な間合いで演じ分ける「2話者シーン演出」機能も備えています。さらに、笑い声やため息、相づちといった非言語的な音を台本に書き込むことで、コメディ的な間や自然な会話の質感を再現できる仕組みも用意されており、単なる読み上げを超えた「演技」に近い表現が可能になっています。

なりすまし防止のための同意確認とSynthID

声を自由に作れる技術には悪用リスクも伴うため、Googleは安全面の設計にも触れています。既存の声を複製する「Voice replication」機能では、30秒程度の音声サンプルから一貫した声のプロファイルを再現できますが、利用には声の主本人による同意録音の提出が必須とされる「同意確認」の仕組みが組み込まれています。加えて、生成されたすべての音声クリップにはSynthIDによる電子透かしが埋め込まれ、AI生成音声であることを検出可能な状態に保つとともに、C2PAのコンテンツ来歴情報も付与されます。

開発者は今日からGoogle AI Studioの音声プレイグラウンドでこれらの機能を試せるとのことです。オーディオブックやポッドキャスト、ゲームのキャラクターボイスなど、これまで収録スタジオを必要としていた制作ワークフローの一部を、プロンプトと台本の指示だけで代替できる可能性が見えてきそうです。まずは自分の作りたいキャラクター像を言葉で説明し、AI Studioの2話者スクリプトエディタで実際の演出結果を確認してみるとよさそうです。