Gemini 3.8 TTS とは｜日本語音声生成の選び方と注意点

はじめに

Google は 2026 年 9 月 23 日（日本時間 9 月 24 日）、テキストから音声を生成する新しいモデルとして Gemini 3.8 Flash TTS と Gemini 3.8 Flash-Lite TTS を発表しました。自然言語による声の設計や、2 人の話者による台本の演出などが紹介されています。

一方で、社内研修や操作説明の音声化を検討する立場では、どちらのモデルを試すか、専門用語を含む日本語を正しく読めるか、費用と業務データの扱いはどうなるかが判断材料になります。本記事では独自検証は行わず、公式発表、Gemini API のドキュメント、料金表、利用規約をもとに、採用判断に必要な情報を整理します。

結論: 2 モデルとも日本語に対応し、同じ原稿で比較できる

Gemini 3.8 TTS は、入力テキストを逐語的に読み上げる音声生成専用のモデルです。表現力と難しい発音への対応を重視した Flash TTS と、大量生成とコスト効率を重視した Flash-Lite TTS の 2 種類があり、日本語、声の設計、声の複製は両モデルで対応しています。

2 モデルは API の形式が共通で、モデル名を変えるだけで切り替えられます。日本語の説明音声では、公式の推奨用途を出発点に、Flash-Lite TTS と Flash TTS を同じ短い原稿で生成し、読み間違い、再生成時のばらつき、費用、データの扱いを確認してから採用を判断することをおすすめします。

Gemini 3.8 TTS の概要と 2 モデルの選び方

まず TTS が担う範囲を確認し、そのうえで 2 モデルの違いと選び方を整理します。

TTS と Live API・通常の Gemini との違い

Gemini 3.8 TTS の入力はテキストのみ、出力は音声のみです。音声の聞き取りや会話の応答文の生成は行わないため、用途に応じて他のモデルと役割を分けて考える必要があります。

TTS（Gemini 3.8 Flash TTS／Flash-Lite TTS）

テキストを受け取り、原稿どおりに読み上げた音声を返します。研修ナレーションやオーディオブックのように、読む内容が決まっている用途向けです。

Live API（Gemini 3.8 Live など）

テキスト、画像、音声、動画の入力に対して、低遅延でテキストや音声を返します。リアルタイムの音声対話向けです。

Transcribe（Gemini 3.5 Transcribe など）

音声をテキストに書き起こします。TTS とは入出力が逆の関係です。

テキストモデル（Gemini 3.8 Flash など）

文章の生成や要約を行います。音声生成には対応していないため、原稿の作成と読み上げを分ける場合はテキストモデルと TTS を組み合わせます。

Gemini API のガイドも、Live API を動的な対話向け、TTS を決められた原稿を正確に読み上げる用途向けと位置づけています。音声エージェントのように TTS を組み込む構成でも、応答文は別のモデルで生成し、ターンごとに TTS を呼び出す形が案内されています。

参考: Text-to-speech generation (TTS)（Gemini API 公式ドキュメント）
“tailored for scenarios that require exact text recitation”
（原稿どおりの正確な読み上げが求められる場面向けに設計されている）
https://ai.google.dev/gemini-api/docs/speech-generation

Flash TTS と Flash-Lite TTS の比較

2 モデルの主な違いは、公式の推奨用途、料金、対応言語数です。対応機能、API の形式、トークン上限は共通しています。

Flash TTS のモデルページには、国際音声記号（IPA）による発音の上書きへの対応も記載されています。記法と日本語での挙動は本記事では確認していないため、製品名の読みを細かく制御したい場合は公式ドキュメントで確認してください。

声の設計と複製は Flash 専用ではない

公式発表では、Flash TTS の説明の中で声の設計（Voice design）と声の複製（Voice replication）が紹介されています。一方、Gemini API ガイドの対応モデル表と Voice replication のドキュメントでは、Flash-Lite TTS も声の設計と声の複製に対応しています。発表記事の構成だけで Flash 専用と判断しないよう注意してください。

音声ライブラリの規模も、情報源によって表現が異なります。公式発表は 2,000 以上の音声を利用できるとし、API ガイドは 30 種類のプリビルト音声と、数百の音声を含む Extended Voice Library と説明しています。利用できる音声は、voices.list() で言語や用途を指定して確認できます。

声の複製を使わなくても研修ナレーションの評価は始められるため、ここでは要件の確認にとどめます。複製には、同じ成人話者による 10〜30 秒の参照音声と、所定の同意文を読み上げた同意音声の 2 つが必要で、同意文には日本語版も用意されています。公式発表は 30 秒の音声サンプルと表現していますが、ドキュメント上の要件は 10〜30 秒です。また公式発表の注記によると、Google AI Studio での声の複製は、米国のイリノイ州とテキサス州、EEA、英国、スイス、インドでは利用できません。社員の声を使う場合は、本人の同意に加えて、利用範囲や異動・退職後の扱いを社内で取り決めておくことをおすすめします。

なお、ライブラリの音声の声質や話速を調整する Voice remixing は、公式発表で「近日提供」とされている機能です。本記事では現行の機能に含めていません。

日本語の説明音声で試すモデルの選び方

公式の推奨用途を業務用ナレーションに当てはめると、最初に試すモデルは次のように整理できます。これは編集上の選定案であり、日本語での品質差を検証した結果ではありません。

どの用途に当てはまる場合でも、最終的には同じ原稿で 2 モデルを生成して比べる方法をおすすめします。API の形式が共通なので、比較のための実装変更はモデル名の変更だけで済みます。

利用できるサービスと料金

提供状況は利用経路ごとに異なり、料金も通常の Gemini モデルとは別体系です。

提供経路と提供時期

公式発表のリード文には 5 つのサービス名が並んでいますが、提供状況は同じではありません。発表末尾の案内をモデル別に整理すると次のとおりです。「順次展開」は発表当日から展開が始まったことを示すもので、すべてのアカウントで同日に利用できることを意味しません。

参考: Google「Gemini 3.8 text-to-speech says hello」
“Coming soon via API in Gemini Enterprise”
（Gemini Enterprise では API 経由で近日提供予定）
https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-text-to-speech/

Gemini Notebook と Google Vids は一般向け製品への組み込みであり、Gemini API の料金表や追加利用規約がそのまま適用されるものではありません。発表では、各製品で使える機能の範囲や日本での提供時期までは示されていないため、製品側の案内で確認してください。

Gemini 3.8 TTS の料金（Standard）

料金は 100 万トークンあたりの米ドルで、入力はテキスト、出力は音声として課金されます。単価は 2026 年 12 月 31 日までと 2027 年 1 月 1 日以降で分かれており、2027 年からは入力・出力とも 2 倍の単価になります。

参考: Gemini Developer API pricing（Gemini API 公式ドキュメント）
“Audio tokens correspond to 25 tokens per second of audio.”
（音声トークンは、音声 1 秒あたり 25 トークンに相当する）
https://ai.google.dev/gemini-api/docs/pricing

Batch と Flex は Standard の半額で、即時性が不要な大量生成では選択肢になります。無料枠は Standard と Priority で提供され、入力・出力とも無料です。置き換え対象とされる Gemini 3.1 Flash TTS Preview の Standard 単価は、100 万トークンあたり入力 $1.00、出力 $20.00 です。2027 年以降の Flash-Lite TTS と比べると、入力は同じ $1.00、出力は $20.00 に対して $12.00 です。

通常の Gemini 3.8 Flash の単価（2026 年末まで入力 $0.75、出力 $3.75）は、TTS モデルとは別の料金です。テキストモデル側の料金と移行の考え方は『Gemini 3.8 Flash の料金と使い分け｜Cyber は限定提供』で整理しています。

10 分の説明音声を作る場合の試算

音声の出力トークンは 1 秒あたり 25 トークンなので、10 分（600 秒）の音声は 15,000 トークンになります。Standard の有料ティアで 1 回生成した場合の概算は次のとおりです。

入力トークン数は原稿の文字数や style の指定で変わるため、ここでは編集上の仮定として 5,000 トークンとしています。実際の値はトークン数の計算機能で確認してください。この仮定では、費用の大半は音声の出力料金です。

この試算は 1 回の生成分であり、再生成、確認作業の人件費、音声の編集や配信の費用は含みません。読み間違いの修正で全体を 3 回生成し直せば、生成費用も 3 倍になります。修正箇所だけを再生成できるよう、原稿をセクション単位に分けておくと費用の増加を抑えやすくなります。1 回のリクエストで生成できる長さの目安は、後述の「複数話者と長時間音声の制約」で説明します。

無料枠と有料利用でのデータの扱い

無料で試せることと、業務データを入力してよいかは別の問題です。Gemini API の追加利用規約は、無料で提供されるサービス（Unpaid Services）と有料サービス（Paid Services）で製品改善へのデータ利用を分けています。この区分は実際の支払いの有無ではなく、規約上の条件で決まります。

注記: EEA、スイス、英国では、Google AI Studio と Gemini API の無料枠を含むすべての利用に、有料サービスのデータ利用条件が適用されます。

参考: Gemini API Additional Terms of Service
“Do not submit sensitive, confidential, or personal information to the Unpaid Services.”
（機微な情報、機密情報、個人情報を無料サービスに送信しないこと）
https://ai.google.dev/gemini-api/terms

製品改善への利用とは別に、次のデータ保存があります。「製品改善に使われない」ことは「保存されない」ことを意味しません。

参考: Abuse monitoring（Gemini API 公式ドキュメント）
“Google retains the following data for fifty-five (55) days”
（Google は次のデータを 55 日間保持する）
https://ai.google.dev/gemini-api/docs/usage-policies

Abuse monitoring のページは、このログを利用規約違反の検知と防止、法令上必要な開示の目的に限って使い、ポリシー執行用以外のモデルの学習には使わないとしています。また追加利用規約では、有料サービスのデータは Google の拠点がある国で一時的に保存またはキャッシュされる場合があるとされています。社内規程で保存期間や保存場所に条件がある場合は、これらを含めて確認することをおすすめします。

日本語音声を試す流れと既存実装の注意点

評価は Google AI Studio で短い原稿から始め、API の実装は評価結果を見てから進めると手戻りを減らせます。既存の TTS 実装がある場合は、入力形式と出力形式の変更点を先に確認してください。

Google AI Studio で日本語音声を試す手順

評価の段階では、架空の原稿を使うことをおすすめします。規約上の区分の確認が終わる前でも、データの扱いを気にせずに評価を始められます。

旧 TTS モデルから移行する際の変更点

gemini-3.1-flash-tts-preview 以前の Gemini TTS を使っている場合、モデル名を変えるだけでは移行できません。Gemini 3.8 TTS は入力テキストを逐語的な読み上げ原稿として扱うため、本文に埋め込んでいた演出指示や話者ラベルが読み上げられる可能性があります。

参考: Gemini 3.8 Flash TTS（Gemini API 公式ドキュメント）
“Inline text directions like “Say cheerfully: Hello!” or “Speaker 1: Hello!” may be spoken aloud.”
（「Say cheerfully: Hello!」や「Speaker 1: Hello!」のような本文中の指示は、そのまま読み上げられる可能性がある）
https://ai.google.dev/gemini-api/docs/models/gemini-3.8-flash-tts

公式の Migration guide に沿って、主な変更点を整理すると次のとおりです。

Interactions API では各テキストブロックの annotations に、GenerateContent API では各 part に speech_metadata を付けます。電話系のシステムへ渡す場合など、ヘッダーなしの PCM、μ-law、A-law が必要なときは、response_format の mime_type で明示的に指定します。

公式ガイドの言語別サンプルにも注意が必要です。2026 年 9 月 25 日に確認した時点で、Go のサンプルの一部には旧モデル名の gemini-3.1-flash-tts-preview と、本文に話し方の指示を埋め込む形式、WAV ヘッダーを自前で付ける処理が残っていました。サンプルを流用する場合は Python や REST のサンプルと突き合わせ、モデル名と入力形式を確認してください。

日本語の単一話者音声を保存する最小例

公式ガイドの Python サンプルをもとに、日本語の原稿を単一話者で生成し、WAV として保存する例です。当ブログでは実行していない未検証の例であり、SDK のバージョンと最新のガイドを確認したうえで利用してください。

import base64
from google import genai

MODEL = "gemini-3.8-flash-lite-tts"  # 比較時は "gemini-3.8-flash-tts" に変更

client = genai.Client()

interaction = client.interactions.create(
    model=MODEL,
    input=[{
        "type": "user_input",
        "content": [{
            "type": "text",
            "text": "本日は、MFA の設定手順を説明します。",
            "annotations": [{
                "type": "speech_metadata",
                "style": "calm and clear",
            }],
        }],
    }],
    response_format={"type": "audio"},
    generation_config={
        "speech_config": [
            {"voice": "Kore"},
        ]
    },
)

with open("sample_ja.wav", "wb") as f:
    f.write(base64.b64decode(interaction.output_audio.data))

非ストリーミングの応答は RIFF ヘッダー付きの WAV で返るため、受け取ったデータをそのまま .wav として保存できます。style の指定例はガイドに合わせて英語にしています。Kore はガイドのサンプルで使われているプリビルト音声で、日本語の説明音声に合う音声は voices.list() で言語を指定して探せます（google-genai 2.25.0 以降）。

複数話者と長時間音声の制約

1 回のリクエストで生成できる複数話者の音声は、プリビルト音声を使った 2 人までです。設計・複製した音声で掛け合いを作る場合は、話者ごとにターンを個別に生成し、24 kHz の PCM 音声を連結する方法がガイドで案内されています。

また、公式発表の「数時間の連続音声でも声質や話し方を保てる」という説明は、1 回のリクエストで数時間分を出力できるという意味ではありません。モデルページの出力トークン上限は 16,384 で、1 秒 25 トークンで換算すると約 655 秒（約 10 分 55 秒）が計算上の上限です。この換算は編集上の計算であり、公式に示された最大秒数ではありません。10 分程度の音声は上限に近いため、研修音声はセクション単位で分割して生成することをおすすめします。

業務利用前の確認項目

日本語に対応していることと、業務の説明音声として誤りなく読めることは、分けて確認する必要があります。公式発表では、Voice Arena のブラインド評価で日本語を含む主要言語において上位を占めたとされていますが、これは Google が示した評価結果です。社内の専門用語や操作手順の読み上げ精度を保証するものではありません。

日本語の業務用ナレーションを採用する前の確認表

次の表は、当ブログが編集上の評価案として作成したものです。実機での検証結果ではありません。

否定表現と操作順序の確認では、生成音声を文字起こしモデルで書き起こし、原稿と機械的に比較する方法も考えられます。文字起こし側の仕様は『Gemini 3.5 Transcribe とは｜文字起こしの機能・料金・制限』で整理しています。ただし書き起こしの誤りも混ざるため、最終確認は人が聞いて行うことをおすすめします。

SynthID は、公式発表によると Gemini Audio モデルで生成したすべての音声に埋め込まれる、聞き取れない電子透かしです。生成音声を社外にも配布する場合は、AI 生成物の表示に関する社内方針とあわせて確認してください。

評価用の短い日本語原稿の例

次の原稿は、確認表の項目を 1 分程度で確認するための架空の例です。実在の社内情報は含んでいません。

社内システム操作研修、第 3 回です。本日は、MFA と VPN の設定を確認します。2026 年 10 月 1 日から、Microsoft 365 へのサインインには MFA を使います。手順は 3 つです。まず、認証アプリを開きます。次に、表示された 6 桁のコードを入力します。最後に、VPN クライアントを起動します。なお、このコードをほかの人に伝えてはいけません。

生成した音声は、次の表と照合します。

期待する読みは組織によって異なる場合があります。特に製品名は、社内の研修資料やマニュアルで使っている読みに合わせて表を作成してください。

まとめ

Gemini 3.8 TTS は、テキストを逐語的に読み上げる音声生成専用のモデルで、Flash TTS と Flash-Lite TTS は API の形式と主な機能が共通です。日本語の業務用ナレーションでは、公式の推奨用途をもとに試すモデルを決め、同じ短い原稿で読み方、費用、データの扱いを確認してから採用を判断することをおすすめします。

• 日本語、声の設計、声の複製は 2 モデルとも対応
• Flash-Lite は大量の単一話者音声、Flash は表現力と難しい発音向け
• Gemini Enterprise での API 提供は今後の予定
• TTS の単価は 2027 年 1 月 1 日から入力・出力とも 2 倍
• 10 分の音声出力は 2026 年末まで Flash-Lite TTS で約 $0.09
• 規約上の無料サービスでは入力が製品改善に使われるため業務データは避ける。
• 旧モデルからの移行時は speech_metadata と WAV 出力への対応を確認する。

以上、最後までお読みいただきありがとうございました。