Googleは2026年4月15日(米国時間)、テキスト読み上げ(TTS)モデルの最新版「Gemini 3.1 Flash TTS」を発表しました。制御性・表現力・品質が向上した同社でもっとも自然なTTSモデルと位置づけられ、開発者向けにGemini APIとGoogle AI Studio、企業向けにVertex AIでプレビュー提供が同日から始まったほか、WorkspaceユーザーはGoogle Vids経由で利用できます。自然言語のコマンドを入力テキストに埋め込み、声のスタイルや話し方を細かく指示できる「音声タグ」の導入が特徴です。

提供状況

• ▸開発者向け — Gemini APIおよびGoogle AI Studioでプレビュー提供
• ▸企業向け — Vertex AIでプレビュー提供
• ▸Workspaceユーザー向け — Google Vids経由で利用可能

いずれも発表当日から順次展開されています。

音声品質と外部評価

全体的な音声品質が改善され、同社としてもっとも自然で表現力の高いTTSモデルになったとしています。数千件のブラインド人間評価を集計するベンチマーク「Artificial Analysis TTSリーダーボード」ではEloスコア1,211を獲得しました。

同ベンチマークでは、高品質な音声生成と低コストの理想的な組み合わせとして「もっとも魅力的な象限」にも位置づけられています。ネイティブなマルチスピーカー対話、70以上の言語サポート、自然言語による細かなクリエイティブ制御も特徴として挙げられています。

音声タグとディレクター機能

• ▸シーン指示 — 環境の定義やセリフの指示で「舞台」を設定し、複数ターンにわたってキャラクターが役柄を保ったまま自然に反応
• ▸話者単位の指定 — 固有のオーディオプロファイルでキャラクターを配役し、ディレクターズノートでペース・トーン・アクセントを調整。インラインタグで文の途中でも表現を切り替え可能
• ▸エクスポート — 調整したパラメータをGemini APIのコードとして書き出し、プロジェクトやプラットフォームをまたいで一貫した声を再現

音声タグは、入力テキストに自然言語のコマンドを直接埋め込むことで、声のスタイル・ペース・話し方をより細かく制御できる機能です。上記の設定はGoogle AI Studioで試すことができます。

グローバル展開とSynthID透かし

70超の言語で高品質な音声生成とスタイル・ペース・アクセントの制御を提供し、ローカライズされた表現力豊かな音声体験の構築を後押しするとしています。先行して試用した開発者・企業からは、音声タグによる制御性と表現力を評価する声が寄せられています。

生成される音声にはすべて、知覚できない電子透かし「SynthID」が音声出力に直接埋め込まれます。AI生成コンテンツの確実な検出を可能にし、誤情報の防止に役立てる狙いです。