Gemini 3.8 Flash TTS

Gemini 3.8 Flash TTS（gemini-3.8-flash-tts）は、Google のフラッグシップのクリエイティブ テキスト読み上げモデルです。スタジオ品質の音声忠実度、表現力豊かな演技、本物の地域アクセント、堅牢な長文のマルチターン安定性を実現するように設計されています。

概要と機能

Gemini 3.8 Flash TTS は、表現力豊かな音声生成の新しいベンチマークを確立します。

• 高い音響忠実度と演技のニュアンス: 豊かな感情の幅、自然なリズム、ターンレベルの style ディレクションとインライン音声イベント（<laugh>、<sigh>、<short pause>）への正確な準拠を実現します。
• 長文のマルチターン安定性: 音声のずれがなく、長い会話や数分間のナレーション全体で、一貫した音声のアイデンティティ、音色、音量、音響室のトーンを維持します。
• 地域ごとのアクセントと発音を忠実に再現: 地域ごとのアクセント、少数派の方言、インラインの国際音声記号（IPA）のオーバーライドをサポートします。
• 音声エコシステムを完全にサポート: 事前構築済みの音声、拡張音声ライブラリ（GET /v1beta/voices）、カスタムの音声デザイン ペルソナ、音声の複製（デフォルトでは永続的に保存された音声、オプションでステートレス キーも使用可能）とシームレスに連携します。Google AI Studio で、音声をインタラクティブに設計して複製することもできます。

機能、プロンプトのベスト プラクティス、コード例について詳しくは、テキスト読み上げガイドをご覧ください。

どの TTS モデルを使用するか

Gemini 3.8 TTS モデルは、どちらも同じ API スキーマとプロンプト構造を共有しています。ワークロードに適したモデルを選択します。

移行ガイド

gemini-3.1-flash-tts-preview 以前の Gemini TTS モデルから移行する場合は、Gemini 3.8 TTS スキーマのリクエストを更新します。

1. ターンレベルの指示を speech_metadata に移動: Gemini 3.8 TTS は、入力テキストを厳密に逐語録として扱います。"Say cheerfully: Hello!" や "Speaker 1: Hello!" などのインライン テキストの指示は、読み上げられることがあります。持続的な配信手順（style）とスピーカー ラベル（speaker）を構造化メタデータに移動します。
   • Interactions API: "type": "speech_metadata"、"speaker"、"style" を含むアノテーションを各テキスト コンテンツ ブロックに付加します。
   • GenerateContent API: 各 part に "speech_metadata": {"speaker": "...", "style": "..."} を付加します。
2. 時点の音声イベントにのみ山かっこインライン タグを使用する: 一時的な発話以外の音声や一時停止は、山かっこ（<laugh>、<sigh>、<cough>、<breath>、<short pause> など）を使用して文字起こしでインラインに保持します。ささやきなどの話し方は speech_metadata.style に入れます。
3. 複数話者のリクエストのすべてのターンで speaker を指定する: 複数話者のリクエストのすべてのターンで、構成された話者のいずれかに一致する speech_metadata 内に speaker を明示的に含める必要があります。
4. 音声デザインでペルソナを事前に設計する: 長いレガシーの音声プロファイル / ディレクターズ ノートのブロックを、音声デザインで作成したカスタム音声に置き換え、その voice_... ID を TTS リクエストで style 文字列を最小限にするか空にして渡します。
5. 単項リクエストのデフォルトの WAV（audio/wav）出力を考慮する: gemini-3.1-flash-tts-preview 以前の TTS モデル（デフォルトでヘッダーなしの未加工 PCM audio/l16 を返した）とは異なり、Gemini 3.8 TTS は、単項リクエストに対してデフォルトで標準 RIFF ヘッダー付きの WAV 音声（audio/wav / AUDIO_WAV）を返します。
   • 以前のコードで、未加工の PCM バイトを WAV ヘッダーでラップしていた場合（たとえば、Python の wave モジュールまたは ffmpeg を使用していた場合）、手動のヘッダー ラッパーを削除し、返されたバイトを .wav ファイルに直接書き込みます。
   • パイプラインでヘッダーレスの RAW PCM、μ-law、A-law のオーディオが必要な場合は、response_format を "audio/l16"（"AUDIO_L16"）、"audio/mulaw"（"AUDIO_MULAW"）、または "audio/alaw"（"AUDIO_ALAW"）に明示的に設定します。オーディオ出力形式をご覧ください。

gemini-3.8-flash-tts

サポートされている言語

gemini-3.8-flash-tts は入力言語を自動的に検出し、130 言語をサポートしています。