Google は今週水曜日、Gemini 3.1 Flash TTS を発表しました。テキスト読み上げモデルは、音声表現をより詳細に制御できるようになり、開発者向けにプレビューで利用できるようになりました。
この新機能は、Gemini API と Google AI Studio や Vertex AI などのプラットフォームを統合します。また、Workspace のビデオ生成ツールである Google Vids からのナレーションも強化します。打ち上げは4月15日に行われた。
独自ランキングで高いパフォーマンスを実現したモデル
Gemini 3.1 Flash TTS は、人工分析 TTS ランキングで 1211 の ELO スコアを記録しました。このマークにより、競合他社 1 社に次ぐ総合 2 位となっています。
このモデルは、音声品質と生成コストのバランスが際立っています。自然さと表現力の点で、Google 自体の以前のオプションを上回っています。
開発者らは、初期テストでは出力が人間の音声に近づいたと報告しています。遅延の短縮は、高速応答が必要なアプリケーションに役立ちます。
- 70 を超える言語をネイティブでサポート
- 複数の話者による対話の生成
- AI が生成したオーディオ識別のための SynthID の自動組み込み
- Google AI Studio ですぐにテスト可能
- Vertex AI との統合によりエンタープライズでの大規模な使用を実現
オーディオタグによりボーカルパフォーマンスの正確な指示が可能
ユーザーはプロンプト内にテキスト コマンドを入力して、音声の要素を調整できます。例としては、陽気な口調、ゆっくりとしたペース、話し方の緊張などの合図が挙げられます。
これらのタグは車のルート案内として機能します。複雑な技術的なパラメーターを必要とせずに、スタイル、アクセント、ペース、感情を変更します。
生成後、調整は Gemini API 対応コードとしてエクスポートできます。これにより、大規模なアプリケーションやプロジェクトへのデプロイが容易になります。
この機能により、プロセスがより直感的なものに変換されます。開発者は、さまざまなシーンやコンテキストに適応したナレーションを柔軟に作成できるようになります。
このモデルは、同じオーディオ内に複数のスピーカーが存在する場合でも一貫性を維持します。音声を区別し、音声間の自然な移行を管理します。
Google Vids との統合によりナレーション オプションが拡張
Google Vids では、Gemini 3.1 Flash TTS により 30 の新しい会話音声が追加されます。表現とリアリズムのニュアンスをよりよく捉えます。
すべてのオプションは 24 の異なる言語で実行できるようになり、さらに 16 の言語に拡張されます。展開は今週水曜日に、即時リリースおよび計画リリースのドメインに対して開始されました。
Workspace ユーザーは、より流動的でパーソナライズされたナレーションを含むビデオを生成できます。このツールは、オーディオと AI によって生成されたビジュアルをシームレスに組み合わせます。
この追加により、Google はコンテンツ作成をアクセシブルにすることに重点を置いていることが強化されます。専門家や企業は、従来の録音を使用せずに自然な音声で素材を作成できます。
SynthID は生成されたコンテンツのトレーサビリティを保証します
Gemini 3.1 Flash TTS によって生成されたすべてのオーディオには、SynthID タグが含まれています。人間のリスナーには聞こえないままですが、後で確認することができます。
この技術は、AI によって作成された素材を識別するのに役立ちます。ニュースやキャンペーンなどの機密性の高い文脈での誤った情報や悪用のリスクと闘います。
Google は、ウォーターマークはオーディオ ツールの開発における責任戦略の一部であると強調しています。
専門家は、このメカニズムが生成技術の透明性にとって重要な進歩であると見ています。知覚される音声の品質には影響しません。
現在の可用性と開発者向けの次のステップ
モデルのプレビューは Google AI Studio で開かれており、簡単に実験できます。企業は、クラウド セキュリティとスケーラビリティ機能を備えた Vertex AI を通じてこのバージョンにアクセスします。
公式ドキュメントには、オーディオ タグの使用とパラメータのエクスポートに関するガイダンスが記載されています。実用的な例では、単純なプロンプトにコマンドを適用する方法を示します。
Google では、オーディオ専用のプレイグラウンドを含む AI Studio インターフェースでの初期テストを推奨しています。そこでユーザーはリアルタイムで結果を聞いてタグを調整します。
今後のアップデートにより、音声と言語のオプションがさらに拡大されるはずです。同社はスケジュールについては詳細を明らかにしなかったが、オーディオ用のGemini製品ラインの改善に継続性があることを示唆した。
引き続きパフォーマンス、コスト、制御のバランスに重点を置きます。開発者は、モデルをプロトタイプや運用アプリケーションに統合し始めることができます。
