Google DeepMind が Gemini 3.8 TTS を発表 ── 30音から無限音声へ

「AI音声」の概念が、ここで一気に変わると感じた。ただテキストを読み上げるだけの時代は終わり、声のトーンや感情、間の取り方まで自然言語で指示できる「音声スタジオ」が手元に来たのだ。

▸注目すべきポイント

Gemini 3.8 Flash TTS と Gemini 3.8 Flash-Lite TTS が加わった。最大の特徴は、従来の30種類のプリセットから脱却し、自然言語プロンプトだけで全く新しいキャラクター音声を作り出せる点だ。さらに、行ごとに演技のキューやパルス、方言の切り替え、会話のリアクション（バックチャネル）を細かく制御可能になった。

◈前モデル / 競合との比較

Gemini Audioファミリーにおける進化を補完する位置づけ。3.5 Live Translateや3.8 Liveと並ぶが、TTS特化モデルとして「表現の粒度」が大幅に向上。Flash-Lite版は高音質とコスト効率のバランスを重視しており、大量の吹き替えやバリアント生成に向いている。

◈位置づけと意義

従来のTTSは「音声の決定版」が限られていたが、今回は生成AIの文脈理解を活かして、声そのものを動的に構築する。例えば「疲れた中年男性の、少し喉を詰まらせた声で」と指示すれば、それに合う音声を合成してくれる。エンジニアリング的には、音声合成の自由度が「パラメータ調整」から「セマンティックな指示」へ移行したことを意味する。

▸想定される使い方

ゲーム開発者（キャラクターのセリフ演出に細かな感情制御を適用）、ポッドキャスト制作者（独自のブランドボイスの構築）、リアルタイム音声エージェント開発者（高負荷な環境でもコスト効率よく表現力を出す）。

▸Hacker Newsの反応

スコア200超えとそこそこの注目度はあるものの、コメント数は100件前後と落ち着いた雰囲気。技術的な実装やローカル運用への関心が高く、派手な騒ぎというよりは実用面での検証が中心になっている。

◆参考リンク

Google AI Studio、Gemini API、Gemini Enterprise、Gemini Notebook、Google Vidsを通じて利用可能。

SOURCE: Google DeepMind (2026-09-23)

← LLM Watch トップへ