記事の理解を助けるための画像
音声のカスタマイズと抑揚表現を強化
グーグルは2026年9月23日（現地時間）、音声生成モデル「Gemini 3.8 Flash TTS」と、軽量版の「Gemini 3.8 Flash-Lite TTS」を公開した。音声の細かなカスタマイズや自然な抑揚の再現を特徴としており、モデルIDはそれぞれ「gemini-3.8-flash-tts」「gemini-3.8-flash-lite-tts」。Gemini APIとGoogle AI Studioで提供を始め、Gemini Enterprise向けAPIにも今後対応する。
Flash TTSは全利用者がGemini Notebookで、Flash-Lite TTSは全利用者がGoogle Vidsで利用できる。The Next Webによると、両モデルは100以上の言語・方言と、2000種類以上の既製音声に対応する。Flash TTSでは本人の同意を確認したうえで、30秒のサンプルから声を複製できるという。ただし、Google AI Studioを通じた音声複製機能は、米イリノイ州とテキサス州、欧州経済領域（EEA）、英国、スイス、インドでは提供されない。
Gemini Audioモデルが生成する音声には、AI生成であることを識別する「SynthID」の電子透かしが付く。複製音声には、コンテンツの来歴を示すC2PAの認証情報も含まれる。一方、RuntimeWireは、提供開始時点で本人同意の確認手順や処理の遅延、利用量に関する具体的な数値が示されておらず、独立した検証もないと報じた。
グーグル発表と独立評価で順位に差
グーグルは、Flash TTSがHume AIの「Voice Design Benchmark」で総合71.4を記録し、音声カスタマイズ部門で首位になったと発表した。抑揚モデリングでも60.8で首位だったとしている。また、Hume AIの総合品質指標ではFlash TTSとFlash-Lite TTSがそれぞれ1位、2位に入ったという。
ブラインド方式の選好評価「Voice Arena」では、日本語のほか、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、ヒンディー語で両モデルが競合製品の上位に入った。日本語での評価結果は、日本の企業や開発者が音声コンテンツへの導入を検討する際の判断材料になりそうだ。
ただ、RuntimeWireは、Hume AIのベンチマークに関する主張はグーグル自身による発表であり、それだけで製品間の優劣が確定するわけではないと指摘した。同メディアによると、Hume AIの元最高経営責任者で、現在はGoogle DeepMindの研究科学ディレクターを務めるAlan Cowen氏とLeland Rechis氏が、今回の開発に参加した。
独立評価の「Artificial Analysis Provider Voice」ランキングでは、Flash TTSがEloレーティング1260、95％信頼区間はプラス・マイナス17で2位だった。Flash-Lite TTSは1235、同プラス・マイナス16で6位。首位は1757件のサンプルで1273を得たCartesia Sonic 3.6だった。AlibabaのQwen-Audio-3.0-TTS-Plusは1259で3位、Inworld Realtime TTS-2は1245で4位、ElevenLabs v3 Conversationalは1196で12位となった。
発音評価では首位、上位モデルは接戦
Artificial Analysisの発音堅牢性ベンチマークでは、Flash TTSが89.5％で首位を獲得した。従来モデルのGemini 3.1 Flash TTSは88.2％だった。
OrcaRouterは、Provider Voice ArenaでFlash TTSが1999件のサンプルから1260、Qwen-Audio-3.0-TTS-Plusが1447件から1259を記録し、Eloの差はわずか1ポイントだと説明した。信頼区間の幅を踏まえると、上位3モデルは実質的に同じ範囲にあるとの見方を示している。
標準枠は2026年末まで無料
両モデルの標準枠は2026年12月31日まで無料。2027年1月1日以降、100万トークン当たりの料金は、Flash TTSが入力1ドル、音声出力18ドル、コンテキストキャッシュ0.25ドルとなる。Flash-Lite TTSは入力1ドル、音声出力12ドルに設定される。
Batch & Flex料金は、Flash TTSが入力0.25～0.50ドル、出力4.50～9.00ドル。Flash-Lite TTSは入力0.25～0.50ドル、出力3.00～6.00ドルとなる。優先処理を受けられるPriority枠も2026年中は無料で、その後はFlash TTSが入力1.80ドル、出力32.40ドル、Flash-Lite TTSが入力1.80ドル、出力21.60ドルとなる。
コメント
コメントを投稿