Googleの音声合成AI、30秒の音声から声を複製し2000種以上を利用可能に

Googleが音声合成AIの新モデル2つを公開、Google Vidsにも搭載

Googleが2026年9月23日に公開したのは、Gemini 3.8 Flash TTSとGemini 3.8 Flash-Lite TTSの2つです。
TTSはtext-to-speechの略で、書いた文章を読み上げ音声に変える技術を指します。
YouTubeの制作では、ナレーションと吹き替えの工程に直接かかわります。
決まった声を選ぶだけだった音声生成を、声そのものを設計する作業場に変えた、というのがGoogle The Keywordの説明です。
発表はGemini AudioチームのLeland Rechis氏（グループプロダクトマネージャー）とAlan Cowen氏（研究科学ディレクター）の連名で出ています。

使える場所は2つのモデルで分かれます。
Flash TTSは開発者向けにGemini APIとGoogle AI Studio、法人向けにGemini Enterprise（API経由で準備中）、一般向けにGemini Notebookで順次提供します。
Flash-Lite TTSは開発者向けが同じ2つ、法人向けがGemini Enterprise（準備中）、一般向けはGoogle Vidsです。
Google VidsはGoogleの動画制作ツールで、ここに音声合成が組み込まれます。
日本での提供時期と料金は原文に書かれていません。

役割も分かれています。
Flash TTSはキャラクターの声を作り込み、1行ずつ演技を付ける用途向けです。
Flash-Lite TTSは大量の吹き替えや音声コンテンツ、会話型の音声エージェントのように量をさばく用途向けで、費用を抑えた設計だと説明されています。

30秒の音声から声を複製、同意の録音が前提

ゼロから声を作れます。
役柄、アクセント、声質を自然な言葉で指示すると、100以上の言語と方言に対応した声ができます。
原文では、火を吹くドラゴン、メルボルンのDJ、こもった単調なロボット、日本語のドラゴンの例が挙がっています。
用意済みの声は2,000種類以上あり、メキシコスペイン語、ケベックフランス語、スコットランド英語のような地域差も含みます。

すでにある声を複製することもできます。
30秒の音声サンプルを渡すと、同じ声を一貫して作り続けられます。
自分の声でも、権利を持つ他人の声でもかまいません。
複製には同意確認が入り、声の持ち主が同意する様子を録音して提出し、参照した声と一致しなければ作成できません。
生成した音声にはSynthIDという耳に聞こえない電子透かしが埋め込まれ、C2PAの証明情報も付きます。

近日公開なのが声のリミックスです。
用意された声を1つ選び、音色、高さ、速さ、アクセントを調整できます。
「米国南部のアクセントを少し足す」「話し方をやわらげる」のような指示を書く形です。
作った声は保存でき、続くプロジェクトでも同じ声を使い回せます。

台本の1行ごとに演技を指示できる

どちらのモデルも、台本の行ごとに芝居の指示を書けます。
間の取り方、感情、方言の切り替え、あいづちまで指定できます。
笑い声やため息、息をのむ音は台本に合図を埋め込み、相づちの言葉も入れられる仕組みです。
会話のテンポを狙って作れます。

1つの台本から2人の会話を組み立てられるのも特徴です。
声が混ざらず、話者が自然に入れ替わります。
ポッドキャストのような長時間の音声でも、声質とテンポがぶれにくい設計だと説明されています。

日本語を含む6言語で上位、吹き替えの提携先も並ぶ

性能の比較材料も出ています。
Hume AIのVoice Design Benchmarkで総合1位（71.4）、アクセントの再現で首位（60.8）です。
Overall Quality IndexではFlash TTSが1位、Flash-Lite TTSが2位に入りました。

人の好みを比べるブラインド評価（どちらが良いかを人に選ばせる比較）では、日本語、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、ヒンディー語で上位につけています。
前世代のGemini 3.1 Flash TTSと比べると、長尺コンテンツと2人が掛け合う台本で改善したとのことです。

外部サービスとの連携も進みます。
Figma、HeyGen、Linguana、Wondercraft、99.co、Ollangが新モデルを取り込み、吹き替えの高速化、地域アクセントに合わせたローカライズ、会話型の音声エージェントに使います。
開発の土台側ではAgora、LiveKit、Pipecat、Vercelが対応します。

ナレーションと吹き替えの手間がどこで減るか

いちばん分かりやすいのは、同じ声を毎回用意しなくて済む点です。
シリーズもので声が回ごとに変わると視聴者は離れますが、保存した声を使い回せばそこが安定します。
長尺でも話者が入れ替わりにくいので、1時間を超える語りでも収録のやり直しが減ります。

多言語の吹き替えも内製に寄せやすくなります。
同じ台本に言語ごとの指示を足す形で、複数言語の音声を並べて作れます。
日本での提供状況と料金は原文に書かれていないので、使うかどうかは提供開始を待って判断する形になります。

透かしが入る点も押さえておきたいところです。
AIで作った音声だと検出できる形で出てくるため、出所を偽る使い方はできません。