Googleの新音声AI、文章の説明だけで声を作れる、1時間約130円

声を「文章で注文する」音声合成

Googleが、文章を読み上げる音声合成（TTS）の新モデル2種を出しました（THE DECODER）。
上位の「Gemini 3.8 Flash TTS」と、安さ重視の「Gemini 3.8 Flash-Lite TTS」です。
どちらも100以上の言語に対応しています。
日本語が対応言語に入るかどうかは、原文では名前が挙がっていません。

目玉は、Flash TTSの声の設計機能です。
役柄、なまり、声の特徴を文章で説明すると、その声を一から作れます。
一から作らない場合は、2,000種類以上の既成の声から選べます。

30秒の音声から声を再現するボイスクローン（声の複製）もあります。
ただし、声の持ち主本人が同意の言葉を録音する必要があり、その録音の声がサンプルと一致しなければ使えません。
生成した音声には、聞こえない電子透かし（SynthID）が必ず入ります。

台本に演技指示を書き込める

2つのモデルとも、台本の1行ごとに読み方の指示を書けます。
指示を書かずに、台本の流れからモデルに解釈させることもできます。

1本の台本から二人の声を分けて読ませる会話モードもあります。
笑い声やため息、「うんうん」のような相づちも台本に書いた位置で入ります。
Googleは、何時間分を生成しても声がほとんどぶれないと説明しています。

ただしTHE DECODERの記者が試したところ、2回とも一部で背景に高い雑音が入り、1回は最後で声が変わりました。
長尺の本番で使う前に、試しに通して聞いておく必要があります。

声の高さや速さ、なまりを後から調整する「Voice Remixing」も発表されましたが、まだ使えません。

料金は2027年から倍に

提供はGemini APIとGoogle AI Studioからです。
Flash TTSはGemini Notebook、Flash-Lite TTSはGoogle Vidsでも使えます。
無料枠のデータはGoogleの製品改善に使われ、有料枠のデータは使われません。

有料版は、生成した音声1秒が25トークン（課金の単位）で、1時間なら9万トークンです。
2026年末までの音声出力は、1時間あたりFlash TTSが0.81ドル（約130円）、Flash-Lite TTSが0.54ドル（約86円）です。
2027年1月1日からは1.62ドル（約260円）と1.08ドル（約173円）に上がります。
台本の文字入力は別料金です。

※円換算は1ドル＝160円（2026年8月時点の目安）です。