Google、Gemini 3.8音声生成モデル2種を発表

公開日：2026年9月24日(木)

Google

Gemini

マルチモーダル

音声AI

API

米Googleは2026年9月23日（現地時間）、Geminiファミリーの最新音声生成モデルとして「Gemini 3.8 Flash TTS」および「Gemini 3.8 Flash-Lite TTS」の2モデルを発表しました。従来の固定プリセット選択型から脱却し、自然言語プロンプトでゼロから声質やキャラクターを指示できる設計機能や、2話者による掛け合い演出に対応したことが大きな特徴です。開発者向けにはGoogle AI StudioおよびGemini APIを通じて即日提供が開始されました。

自然言語で声質を設計できる2つの最新モデル

Google公式発表によると、今回追加されたモデルはクリエイティブ向けと大量処理向けの2系統に分かれています。

モデル名	主な用途・最適化領域	特徴・制御性
Gemini 3.8 Flash TTS	ゲーム、オーディオブック、ポッドキャスト、対話型メディア	自然言語プロンプトによる声質生成、セリフごとの細かな演技指示、2話者シーン演出
Gemini 3.8 Flash-Lite TTS	大規模ダビング、コンテンツ制作、音声エージェント	高速・低コスト処理、トーンや話速・表現ニュアンスの細かな制御

100以上の言語に対応する声質設計と演出制御

TTS（テキストから音声を合成する技術（Text-to-Speech））モデルの主な機能は以下の通りです。

自然言語による音声デザイン: 役割やアクセント、声の特性を自然言語で指定し、100以上の言語・方言にまたがるカスタム音声を生成可能です。
2,000種以上の既製音声: 多彩な地域方言を含む2,000以上の本番環境向け音声ライブラリを利用できます。
30秒のサンプルからの音声複製: 30秒の参照音声から一貫した声質を再現します。安全対策として、発話者本人の音声同意録音を照合する同意検証メカニズムを導入しています。
スクリプト単位の演出と相づち: （笑い）や（ため息）といった非言語キュー、および|mhm|などの相づちをスクリプト内に記述し、自然な間を演出できます。
2話者の同時演出: 1つの台本から2人の登場人物による自然なターンテイキング（発話交代）を伴う会話音声を直接生成可能です。ベンチマーク面では、Hume AIのVoice Design Benchmarkで71.4スコアを獲得して総合首位となったほか、人間によるブラインド評価（Voice Arena）でも日本語やメキシコスペイン語、ヒンディー語などの主要言語で上位を獲得しています。また、生成された音声にはすべてGoogleの電子透かし技術SynthID（AI生成コンテンツに埋め込まれるGoogleの電子透かし技術）およびC2PA（コンテンツの来歴や作成者を証明する標準規格）認証が自動付与されます。

従来モデルとの比較と日本の読者への影響

Gemini 3.1 Flash TTSからの進化点

前世代にあたるGemini 3.1 Flash TTSと比較して、数時間の連続音声を生成しても話者の一貫性が崩れにくい長文耐性が向上したほか、単一スクリプトからの2話者対話制御がネイティブサポートされた点が大きな差分です。

日本の開発者・クリエイターへの影響

本モデルはGoogle AI Studioのオーディオプレイグラウンドにおいて即日利用可能です。ブラインド評価において日本語発話の品質が高く評価されていることから、日本のポッドキャスト配信者やインディーゲーム開発者、動画クリエイターが、日本語のキャラクターボイスや解説音声を短時間で生成・調整するワークフローに直結します。

未確認事項の整理

一般向けサービスとしては「Gemini Notebook」や動画生成ツール「Google Vids」に順次組み込まれると発表されていますが、日本国内の一般Workspaceアカウントへの全機能展開時期や日本語特有のイントネーション微調整（ピッチやアクセントのRemix機能）の正式提供日程は「近日中（Coming soon）」とされており、今後のアップデートを確認する必要があります。

音声インターフェース開発の敷居を下げる転換点

これまでの商用音声合成は、あらかじめ用意された十数種類の声から選択するか、追加学習に多額のコストをかける手法が主流でした。Gemini 3.8 Flash TTSが示した「プロンプト入力だけで即座に新しい声を作り、演技指示まで与えられる」アプローチは、音声制作のワークフローを根本から変える可能性があります。さらにSynthIDや同意検証による倫理的ガードレールを標準装備したことで、エンタープライズでのエージェント導入も加速するとみられます。引用元：Google | Source | AI Watch | ITmedia NEWS | Gadgets 360 | X (Twitter)

参考ソース

Google

Gemini 3.8 text-to-speech says hello

Gemini 3.8 Flash-Lite TTS and Gemini 3.8 Flash TTS are our most expressive audio models yet.

https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-text-to-speech

Source

AI Watch

Google、音声生成AI「Gemini 3.8 Flash/Flash-Lite TTS」を発表 30秒で声再現・SynthID対応

Googleは9月23日、新たな音声生成AIモデル「Gemini 3.8 Flash TTS」「Gemini 3.8 Flash-Lite TTS」（Text-to-Speech）を発表した。これらのモデルは現在、Google AI StudioおよびGemini APIを通じて提供されている。Gemini NotebookやGoogle Vidsでも即日利用可能。Gemini Enterpriseへは順次導入予定だ。

https://ai.watch.impress.co.jp/docs/news/2143048.html

ITmedia NEWS

ゼロから声を作れる音声生成モデル「Gemini 3.8 Flash TTS」公開「Gemini Notebook」でも利用可能に

Googleは、テキストから音声を生成する「Gemini 3.8 Flash TTS」とその軽量版を公開した。従来の選択式から進化し、自然言語による声のゼロからの生成や演技・感情の細かな制御に対応する。日本語を含む多言語をサポートし、透かし技術「SynthID」も埋め込む。開発者向けAPIや各種サービスで順次提供する。

https://www.itmedia.co.jp/news/article/2609/24/2000001703

Google Gemini 3.8 Flash TTS, Flash-Lite TTS With Voice Cloning Capabilities Roll Out

X (formerly Twitter)

Post by @Google on X

This week, we released two new audio models for creative production and cost-efficient speech at scale. Hear what's possible with Gemini 3.8 Flash TTS and Gemini 3.8 Flash-Lite TTS 🧵

https://x.com/Google/status/2103608768609370118

2026年8月27日(木)Google

Google、Gemini 3.5 Transcribeを発表

Googleは最新の音声認識モデル「Gemini 3.5 Transcribe」を発表した。85以上の多言語対応、自己訂正や不要語の自動除去、最大3人の話者識別、Function Callingによる音声タスク連携を備える。Gemini APIやGoogle Antigravityでプレビュー提供を開始した。

Google、音声AI「Gemini 3.8 Live」発表

Googleは音声対話モデル「Gemini 3.8 Live」および「Live Extended Thinking」を発表した。音声と推論を同時に処理し97言語に対応。生成音声には電子透かしSynthIDを付与する。Google AI StudioやGemini APIで即日提供を開始した。

Google、Gemini Notebookに新学習機能を導入

GoogleはGemini Notebookにおいて、約100言語対応のリアルタイム音声対話や講義録音機能、約60秒の解説動画を自動生成する「Short Video Overviews」などの学習支援ツールを導入した。世界140超の市場で、対象大学生向けに有料プランを1年間無料で提供するキャンペーンも開始した。