Gemini 3.8 の TTS は「声を選ぶ」から「声を設計する」へ。30秒サンプルからの再現は同意確認つき

要約

Google は 2026-09-23、Gemini ファミリーに 2つの新しい text-to-speech モデルを追加しました。Gemini 3.8 Flash TTS と Gemini 3.8 Flash-Lite TTS で、いずれも同日からロールアウトが始まっています。提供面は Google AI Studio、Gemini API、Gemini Enterprise、Gemini Notebook、Google Vids の5つです。

Google はこの発表を「静的なプリセットから、動的なクリエイティブスタジオへの転換」と表現しています。これまでの TTS は、用意された声のリストから選び、速度やピッチを多少いじる、というものでした。今回の変更で、声そのものを自然言語のプロンプトから設計できるようになりました。

Flash TTS は創作方向の深い制御を担います。 プロンプトから新しい声をゼロから作れ、ゲーム、没入型オーディオブック、ポッドキャスト、インタラクティブメディア向けのキャラクターボイスを構築できます。従来との差が大きいのは行単位（line by line）の指示です。演技のキュー、テンポ、方言の切り替え、あいづち（backchanneling）を1行ごとに指定できます。報道によれば、用意済みの声は2,000種以上あります。

さらに、30秒の音声サンプルから声を再現する機能を持ちます。ここには同意確認のフローが組み込まれており、声の持ち主による口頭の同意録音を提出させ、それが参照話者と一致するかをシステム側で確認してから声を作成します。技術的に可能なことを、権利処理の手順とセットで出している形です。

Flash-Lite TTS は大量処理とコスト効率に振った版です。 大量の吹き替え、音声コンテンツの量産、表現力を保ったボイスエージェント向けで、トーン・テンポ・ニュアンスの細かい制御は保持しつつ、高スループットに最適化されています。

Gemini 3.8 ファミリー自体は今月初めに公開されており、TTS はその系列への追加に当たります。

何が変わったか

• Gemini 3.8 Flash TTS と Gemini 3.8 Flash-Lite TTS の2モデルを追加。2026-09-23 からロールアウト開始
• 自然言語プロンプトから新しい声をゼロから設計できる（Flash TTS）
• 行単位で演技指示が可能 — 演技のキュー、テンポ、方言の切り替え、あいづち
• 30秒の音声サンプルから声を再現できる。ただし声の持ち主の口頭同意録音を提出し、参照話者と一致することをシステムが確認する必要がある
• 用意済みの声は2,000種以上（報道ベース）
• Flash-Lite TTS は大量吹き替え・音声量産・ボイスエージェント向けのコスト効率版。細かい制御は保持
• 提供面は Google AI Studio / Gemini API / Gemini Enterprise / Gemini Notebook / Google Vids
• Gemini Notebook と Google Vids のユーザー体験改善にも反映される

業務インパクト（一般企業向け）

社内向けの音声コンテンツを作るハードルが、もう一段下がります。 具体的に効くのは eラーニング教材、業務マニュアルの音声版、社内アナウンスあたりです。これまでナレーションを外注すると、収録のたびに費用と納期が発生し、内容を1行直すだけでも再収録という構造がありました。テキストから生成できるなら、更新のたびに音声も作り直せます。

行単位の演技指示ができる点が、実務では地味に大きい変化です。 従来の TTS は全体に対して速度やトーンを設定する形で、「この一文だけ強調したい」「ここで間を取りたい」という調整ができませんでした。マニュアルの読み上げで注意事項だけトーンを変える、研修教材で問いかけの部分だけ間を置く、といった内容に応じた読み分けができると、聞き手の理解度が変わります。

音声再現の同意確認フローは、企業側から見ると「守ってくれる仕組み」です。 30秒のサンプルから声を作れるということは、悪用も容易だということです。Google が口頭同意の録音と話者一致チェックを必須にしているのは、利用者側が権利処理の手順を自分で設計しなくて済むという意味を持ちます。役員の声で社内アナウンスを作る、退職した講師の声で既存教材を更新する、といったケースで、同意の記録が仕組みとして残ります。逆に言えば、同意が取れない声は作れません。 ここは設計段階で確認しておくべき制約です。

法務・広報の観点では、事前にルールを決めておく価値があります。 「誰の声なら社内利用してよいか」「外部公開するコンテンツに合成音声を使う場合の表示はどうするか」。技術的に可能になった時点でルールがないと、現場が先に使い始めて後から揉めます。同意確認が仕組みとして入っているのは Google の提供面の中だけで、社内の運用ルールは別途必要です。

副業・個人活用視点

音声コンテンツの制作単価が、そのまま自分の利益率になります。 ナレーション付きの動画、オーディオ教材、ポッドキャスト形式のコンテンツ。これまでは自分で読み上げるか、ナレーターに発注するかの二択でした。自分で読むと録り直しに時間を取られ、発注すると原価が乗ります。TTS で品質が実用水準に達すると、この工程が丸ごと自分の手元に戻ります。

行単位の演技指示は、品質の差を作れる部分です。 誰でも使える機能なので、そのまま流し込んだだけの音声は同じ水準に並びます。差が出るのは、どこで間を取り、どこを強調するかを設計できるかどうかです。これは技術ではなく、コンテンツの理解と構成力の話です。TTS の普及は、ナレーションの仕事を消すのではなく、「読む技術」から「読み方を設計する技術」へ価値の置き場所を動かします。

Flash-Lite TTS の存在は、量で勝負する形態に効きます。 大量吹き替えとボイスエージェント向けにコスト効率を上げた版なので、既存の動画コンテンツを多言語化する、大量の短尺コンテンツを量産する、といった使い方の採算が変わります。「技術的にはできるが単価が合わない」で止めていた案件があれば、計算し直す価値があります。

声の再現機能については、慎重に扱ってください。 同意確認が入っているとはいえ、他人の声を使ったコンテンツを商用で出すなら、Google の仕組みとは別に自分で契約を交わしておくのが安全です。 プラットフォーム側の同意確認は「その場で作成を許可するための確認」であって、その声を使ったコンテンツの利用範囲や期間を定めた契約ではありません。 クライアントワークで使う場合は特に、書面を残してください。