Gemini 3.8 TTS：Google、簡単なプロンプトで既存の合成音声を編集可能に

Googleは2026年11月4日、9月にリリースした音声合成モデルGemini 3.8 Flash TTS向けにVoice Remixingの提供を開始した。その仕組みは、ゼロから音声を生成する代わりに既存の音声をベースとし、「アメリカ南部のアクセントを少し加えて」「オーディオブックのような落ち着いたリズムで、少し年齢を高めにして」といったテキストの指示によって調整を加えるというものだ。本機能はGoogle AI StudioおよびGemini APIで利用可能となっている。

仕組み

まずベースとなる音声を選択する。Googleが用意した30種類のスタジオ音声、拡張ライブラリの音声（Googleによれば2,000種類以上）、あるいはテキスト説明文で事前に設計した音声（「Voice design」）のいずれかを指定する。次に、年齢、ピッチ、エネルギー、音色、アクセント、話速など、希望する相対的な変更内容を記述する。モデルは元の音声には手を加えず、固有の識別子と短い試聴用サンプルを備えた新たな保存音声を生成する。このリミックス音声をベースにさらに別のリミックスを作成し、少しずつ微調整を重ねることも可能だ。

生成された音声はGemini 3.8 Flash TTSおよび軽量版のFlash-Lite TTSで使用できる。本機能の利用は有料のAPIプロジェクト（Tier 1以上）に限定される。1つのプロジェクトで保存できるカスタム音声はカテゴリを問わず最大200種類で、各音声は最終利用から1年で有効期限が切れる。

対象外となるもの：クローン音声

Gemini 3.8 TTSには音声を取得する5つの手段が用意されており、その中には録音から本人の声を再現するレプリケーションも含まれる。この複製機能にはより厳格な規約が適用される。Googleは10〜30秒のサンプル音声に加え、同一の成人話者が指定のフレーズを読み上げる同意の録音を義務付けており、合成音声やSynthIDまたはC2PAの電子透かしが含まれる録音は拒否される。ドキュメントによると、生成されたすべての音声には聴取不能なSynthIDの透かしが埋め込まれるという。

一方、リミックス機能の適用対象として記載されているのは、事前構築済みの音声、ライブラリの音声、およびプロジェクト内で設計またはリミックス済みの音声である。承認されたベース音声のリストに複製された音声は含まれておらず、ドキュメントの記載に従えば、クローン音声をベースにして変換を加えることはできない。