Gemini 3.8 Flash TTS（gemini-3.8-flash-tts）は、Google の主力テキスト読み上げモデルであり、Gemini Enterprise を通じて利用できます。スタジオ品質の音声忠実度、表現力豊かな演技、本物の地域アクセント、安定した長文のマルチターン音声を実現するように構築されています。
機能
- 音響の忠実度と演技のニュアンス: 幅広い感情表現、自然な抑揚、ターンレベルの
style指示や<laugh>、<sigh>、<short pause>などのインライン音声イベントへの忠実な対応を実現します。 - 長文、マルチターンの安定性: 長い会話や数分間のナレーションでも、声のアイデンティティ、音色、音量、ルームトーンを一定に保ちます。
- 地域のアクセントと発音: 130 言語の地域のアクセントと少数派の方言をサポートしています。
- 音声オプション: 30 種類の事前構築済み音声、拡張音声ライブラリの 2,000 種類以上の厳選された音声、音声デザインで作成した音声、ボイス レプリケーションで複製した音声に対応しています。
機能、コードサンプル、プロンプトのガイダンスについては、Gemini TTS で音声を生成するをご覧ください。
TTS モデルの使い分け
どちらの Gemini 3.8 TTS モデルも、同じリクエスト スキーマとプロンプト形式を共有しています。ワークロードに適したモデルを選択します。
| 機能またはワークロード | Gemini 3.8 Flash TTS（gemini-3.8-flash-tts） |
Gemini 3.8 Flash-Lite TTS（gemini-3.8-flash-lite-tts） |
|---|---|---|
| 主な強み | 音声の忠実度、演技のニュアンス、方言のカバー範囲 | 高スループット、低レイテンシ、費用対効果 |
| 最適なユースケース | オーディオブック、スタジオ ナレーション、複数の話者による複雑な会話、頻繁な音声バーストタグ、難しい発音、地域の方言 | 大量の音声生成、リアルタイム音声エージェントのカスケード、読み上げ機能、ボイス レプリケーション、日常的な単一話者の音声 |
| サポートされている言語 | 130 言語 | 101 言語 |
Agent Studio で試す Model Garden で表示する デベロッパー ガイド 料金
| モデル ID | gemini-3.8-flash-tts |
|
|---|---|---|
| モダリティ |
|
|
| トークンの上限 | 入力トークンの上限 | 8,192 |
| 出力トークンの上限 | 16,384 | |
| 機能 |
|
|
| API |
|
|
| 使用オプション |
|
|
| サポートされるリージョン |
|
|
|
||
|
||
|
Voices API（プレビュー） |
|
|
| バージョン |
|
|
| サポートされている言語 | 130 の言語。サポートされている言語をご覧ください。 | |
使ってみる
次の例では、単一話者の音声を生成し、WAV ファイルとして保存します。
コンソール
- Agent Studio で Gemini 3.8 Flash TTS を開きます。
- 設定パネルで、[音声]、[言語]（または [自動検出] のまま）、オプションの [スタイル] の説明（例:
cheerful and friendly）を選択します。 - プロンプト ボックスに読み上げる音声文字変換を入力して送信し、WAV 音声を生成、再生、またはダウンロードします。[コードを取得] をクリックして、リクエストを Python、JavaScript、または curl としてエクスポートします。
Python
from google import genai
client = genai.Client(enterprise=True, project="PROJECT_ID", location="global")
response = client.models.generate_content(
model="gemini-3.8-flash-tts",
contents=[{
"role": "user",
"parts": [{
"text": "Have a wonderful day!",
"speech_metadata": {"style": "cheerful and friendly"},
}],
}],
config={
"response_modalities": ["AUDIO"],
"speech_config": {"voice_config": {"voice": "Kore"}},
},
)
# The SDK has already decoded the base64 audio, so inline_data.data is a
# complete WAV file by default.
with open("out.wav", "wb") as f:
f.write(response.candidates[0].content.parts[0].inline_data.data)
REST
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json" \
https://aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/global/publishers/google/models/gemini-3.8-flash-tts:generateContent \
-d '{
"contents": [{
"role": "user",
"parts": [{
"text": "Have a wonderful day!",
"speechMetadata": {"style": "cheerful and friendly"}
}]
}],
"generationConfig": {
"responseModalities": ["AUDIO"],
"speechConfig": {
"voiceConfig": {"voice": "Kore"}
}
}
}' | jq -r '.candidates[0].content.parts[0].inlineData.data' | base64 --decode > out.wav
以前の Gemini TTS モデルを使用している場合は、移行ガイドをご覧ください。