Googleは9月23日、テキストから音声を生成する新モデル「Gemini 3.8 Flash TTS」と「Gemini 3.8 Flash-Lite TTS」を発表し、提供を順次開始しました。自然言語の指示によって声質や話し方を設計し、セリフごとの演技、感情、話す速さ、方言などを調整できるのが特徴です。開発者向けにはGemini APIとGoogle AI Studioで両モデルを利用でき、Gemini EnterpriseのAPIでは近日中の提供を予定します。一般向けには、Flash TTSをGemini Notebook、Flash-Lite TTSをGoogle Vidsで展開します。
Flash TTSは、ゲーム、没入型オーディオブック、ポッドキャスト、インタラクティブメディアなどでのキャラクター制作や細かな演出を主な用途として位置付けます。100を超える言語と方言で、役柄、アクセント、声の特徴を指定して新しい音声を作成できます。さらに、メキシコのスペイン語、ケベックのフランス語、スコットランド英語などの地域差を含む2000種類以上の制作向け音声も利用可能です。
Flash-Lite TTSは、大量かつコスト効率を重視する用途に最適化したモデルです。高ボリュームの吹き替え、音声コンテンツ制作、対話型音声エージェント向けに、声の調子や速度、表現上の細かなニュアンスを制御できます。両モデルでは、台本内の指示を基に各行の読み上げを調節できるほか、長時間の音声でも声の品質、自然なペース、話者の声色を維持する機能を備えます。単一の台本から2人による会話を生成し、話者を区別したまま自然なターン交代を行うこともできます。笑い声、ため息、息をのむ音、「うん」などの相づちも指定できます。
Flash TTSでは、30秒の音声サンプルから、利用権限を持つ本人の声などの一貫した音声プロファイルを再現する機能も用意しました。Googleは、音声複製時に参照音声の本人による口頭同意の記録を求め、照合する仕組みを採用しています。生成されるすべてのGemini Audioの音声には、聞き取れない形のSynthID電子透かしを埋め込み、AI生成音声を検出できるようにするとしています。複製音声にはC2PA認証情報も付与します。
同社によると、Flash TTSはHume AIのVoice Design Benchmarkで総合1位、アクセントモデリングでも首位を獲得しました。Hume AIのOverall Quality IndexではFlash TTSが1位、Flash-Lite TTSが2位だったとしています。Voice Arenaのブラインドによる人間の選好評価でも、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、メキシコのスペイン語、ヒンディー語などで上位に入ったと説明しました。今後は、ライブラリの音声の音色、音程、速度、アクセントを調整する「Voice remixing」機能も追加する予定です。