Gemini API TTS：streamGenerateContentでリアルタイム音声合成に対応

要約

Gemini API の gemini-3.1-flash-tts-preview モデルが、ストリーミング音声生成に対応しました。streamGenerateContent エンドポイントと、Interactions API の stream: true パラメータ経由で利用できます。

従来は音声合成の結果を全部生成してから一括で受け取る必要がありましたが、ストリーミング対応により、生成が進むにつれて順次音声データを受信できるようになります。長いテキストを読み上げる場合に、最初の音声が出るまでの待ち時間が大幅に短縮されます。

何が変わったか

• gemini-3.1-flash-tts-preview が streamGenerateContent で音声をストリーミング配信可能に
• Interactions API でも stream: true で対応
• 音声データを生成しながら順次受信できる

業務インパクト（一般企業向け）

音声チャットボットや読み上げ機能を実装している開発チームに直接影響します。ストリーミングにより、ユーザーが「話しかけてから音声が返ってくるまでの時間」を短縮できます。

顧客対応 AI や社内の音声インターフェース、アクセシビリティ機能（読み上げ）を実装している場合、ユーザー体験の改善が期待できます。

副業・個人活用視点

音声アプリや音声読み上げツールを副業で開発する場合、ストリーミング TTS は体験品質を大きく左右する機能です。Gemini API を使ったリアルタイム音声応答アプリのデモとして説得力が増します。

ポートフォリオや受託案件で「AI 音声機能を実装したもの」を見せる際、ストリーミング対応の有無はわかりやすい差別化ポイントになります。