Google は AI 技術を使用して、コンテンツをご希望の言語に翻訳しています。AI 翻訳には誤りが含まれる場合があります。

Gemini 3.8 TTS に移行する

このページでは、gemini-3.1-flash-tts-preview、gemini-2.5-flash-tts、gemini-2.5-pro-tts、gemini-2.5-flash-lite-preview-tts などの以前の Gemini TTS モデルから、Gemini 3.8 Flash TTS（gemini-3.8-flash-tts）と Gemini 3.8 Flash-Lite TTS（gemini-3.8-flash-lite-tts）に移行する方法について説明します。以前のモデルについては、 Google Cloudテキスト読み上げドキュメントの Gemini-TTS をご覧ください。

交換モデルを選択する

Gemini 3.8 Flash-Lite TTS は、gemini-3.1-flash-tts-preview の推奨される代替手段です。大量生産、音声エージェント、読み上げ機能、日常的な 1 人のスピーカーによる音声に適しています。
Gemini 3.8 Flash TTS はフラッグシップモデルです。オーディオブックやスタジオナレーションなど、音声の忠実度、演技のニュアンス、複数の話者による会話、方言のカバー率が最も重要な場合に選択します。

どちらのモデルも同じリクエストスキーマを使用するため、モデル ID を変更することでモデルを切り替えることができます。比較については、どのモデルをいつ使用するかをご覧ください。

変更の概要

地域	以前の Gemini TTS モデル	Gemini 3.8 TTS モデル
API	Cloud Text-to-Speech API または Gemini Enterprise API	Gemini Enterprise API のみ（`generateContent`、`streamGenerateContent`）
ロケーション	`global` とリージョンエンドポイント	`global` のみ使用している
スタイルの方向性	テキスト（`"Say the following in a curious way: ..."`）または Cloud Text-to-Speech `prompt` フィールドに書き込まれます。	各パーツの `speech_metadata.style`
複数の話者による会話	1 つのテキストブロック内の話者接頭辞、または Cloud Text-to-Speech `multiSpeakerMarkup`	`speech_metadata.speaker` を使用したターンごとに 1 つの部分
インラインの音声タグ	角かっこ（`[sigh]` など）	山かっこ（`<sigh>` など）
音声の選択	`prebuiltVoiceConfig.voiceName`	`voiceConfig.voice`。設計された音声 ID とボイスレプリケーションキーも受け入れます。`prebuiltVoiceConfig.voiceName` は、プリビルド音声では引き続き機能します。
カスタム音声	`replicatedVoiceConfig` のインライン参照音声	Voices API を介した音声設計とボイスレプリケーション
デフォルトの出力（Gemini Enterprise API）	RAW 16 ビット PCM、24 kHz、モノラル	単項リクエスト: 完全な WAV ファイル（16 ビット PCM、24 kHz、モノラル）。ストリーミングリクエスト: RAW 16 ビット PCM、変更なし。`responseFormat` を使用して、他のエンコードをリクエストできます。
`temperature`、`topP`、`topK`	無視	`INVALID_ARGUMENT` エラーで不承認

リクエストを更新する

スタイル指示を speech_metadata.style に移動する: Gemini 3.8 TTS モデルは text を文字通りの文字起こしとして読み取るため、テキストに書き込まれた指示が読み上げられる可能性があります。持続的な演技、トーン、韻律、ペースの指示を speech_metadata.style に入れます。
会話のターンごとに 1 つのパートを使用する: 複数の話者による会話の場合、各ターンを個別の part として渡し、各ターンの speech_metadata.speaker を multiSpeakerVoiceConfig の話者のいずれかに設定します。
角かっこタグを山かっこタグに置き換える: 山かっこ（<sigh>、<laugh>、<short pause> など）は、特定の時点のボーカルイベントにのみ使用します。「えー」などの言い淀みを文字起こしに直接書き込みます。
ペルソナを事前に設計する: 長い「音声プロファイル」や「監督のメモ」のプロンプトを、音声設計で作成した音声に置き換え、style を短くするか空のままにします。
サポートされていないパラメータを削除する: リクエストから temperature、topP、topK、candidateCount、systemInstruction を削除します。
単項リクエストからの WAV 出力を処理: 単項リクエストで、未加工の PCM ではなく完全な WAV ファイルが返されるようになりました。コードで WAV ヘッダーを追加したり、クリップを連結したりする場合は、ヘッダーステップを削除するか、generationConfig.responseFormat を AUDIO_L16 に設定して、未加工の PCM 出力を保持します。
Voices API で複製された音声の再作成: replicatedVoiceConfig でのインライン参照音声はサポートされていません。Voices API で保存済み音声または音声複製キーを作成し、voiceConfig.voice で渡します。詳細については、ボイスレプリケーションをご覧ください。

プロンプトの作成に関するガイダンスについては、プロンプトガイドをご覧ください。

例

次の例は、gemini-3.1-flash-tts-preview リクエストとそれに対応する Gemini 3.8 TTS リクエストを示しています。

Gemini 3.8 以前

from google import genai
from google.genai import types

client = genai.Client(enterprise=True, project="PROJECT_ID", location="global")

response = client.models.generate_content(
    model="gemini-3.1-flash-tts-preview",
    contents="Say the following in a curious way: OK, so... tell me about this [uhm] AI thing.",
    config=types.GenerateContentConfig(
        response_modalities=["AUDIO"],
        speech_config=types.SpeechConfig(
            language_code="en-US",
            voice_config=types.VoiceConfig(
                prebuilt_voice_config=types.PrebuiltVoiceConfig(voice_name="Kore")
            ),
        ),
    ),
)

Gemini 3.8 以降

from google import genai

client = genai.Client(enterprise=True, project="PROJECT_ID", location="global")

response = client.models.generate_content(
    model="gemini-3.8-flash-lite-tts",
    contents=[{
        "role": "user",
        "parts": [{
            "text": "OK, so... uhm, tell me about this AI thing.",
            "speech_metadata": {"style": "curious"},
        }],
    }],
    config={
        "response_modalities": ["AUDIO"],
        "speech_config": {
            "language_code": "en-US",
            "voice_config": {"voice": "Kore"},
        },
    },
)

どちらのレスポンスも response.candidates[0].content.parts[0].inline_data.data で音声を返します。以前のモデルは RAW 16 ビット PCM 音声（24 kHz、モノラル）を返し、Gemini 3.8 TTS モデルは完全な WAV ファイルを返します。

Cloud Text-to-Speech API から移行する

Cloud Text-to-Speech API（texttospeech.googleapis.com）を介して Gemini TTS を呼び出す場合は、代わりに aiplatform.googleapis.com の generateContent メソッドにリクエストを送信します。次の表に、Cloud Text-to-Speech リクエストフィールドと Gemini Enterprise API リクエストフィールドのマッピングを示します。

Cloud Text-to-Speech API（`text:synthesize`）	Gemini Enterprise API（`generateContent`）
`input.text`	`contents[].parts[].text`
`input.prompt`	`contents[].parts[].speechMetadata.style`
`input.multiSpeakerMarkup.turns[]`（`speaker`、`text`）	1 ターンにつき 1 つのパート（`text` と `speechMetadata.speaker`）
`voice.modelName`	リクエスト URL のモデル ID
`voice.name`	`generationConfig.speechConfig.voiceConfig.voice`
`voice.languageCode`	`generationConfig.speechConfig.languageCode`
`voice.multiSpeakerVoiceConfig.speakerVoiceConfigs[]`（`speakerAlias`、`speakerId`）	`generationConfig.speechConfig.multiSpeakerVoiceConfig.speakerVoiceConfigs[]`（`speaker`、`voiceConfig.voice`）
`audioConfig.audioEncoding`: `LINEAR16`	`generationConfig.responseFormat[].audio.mimeType`: `AUDIO_WAV`（単項リクエストのデフォルト）
`audioConfig.audioEncoding`: `PCM`	`AUDIO_L16`（ストリーミングリクエストのデフォルト）
`audioConfig.audioEncoding`: `MULAW` または `ALAW`	`AUDIO_MULAW` または `AUDIO_ALAW`
`audioConfig.audioEncoding`: `MP3` または `OGG_OPUS`	サポートされていません。クライアントで音声をエンコードします。
`audioConfig.sampleRateHertz`	サポートされていません。出力サンプルレートについては、オーディオ出力形式をご覧ください。

Cloud Text-to-Speech API は、base64 でエンコードされた音声を audioContent で返します。Gemini Enterprise API は、candidates[0].content.parts[0].inlineData.data で返します。

次のステップ

Gemini TTS の概要でサンプルを試す。
プロンプトガイドで、スタイルと音声の音を指示する方法を確認する。

Gemini 3.8 TTS に移行する コレクションでコンテンツを整理 必要に応じて、コンテンツの保存と分類を行います。