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 TTS で音声を生成する

Gemini テキスト読み上げ（TTS）モデルは、テキストを単一話者または複数話者の音声に変換します。構造化されたターンメタデータ（speech_metadata）とインライン音声タグを使用して、音声のスタイル、アクセント、ペース、トーンを制御できます。

このページでは、Gemini Enterprise API の generateContent メソッドと streamGenerateContent メソッドを使用して、次のモデルで音声を生成する方法について説明します。

Gemini 3.8 Flash TTS （gemini-3.8-flash-tts）
Gemini 3.8 Flash-Lite TTS（gemini-3.8-flash-lite-tts）

TTS モデルは、ナレーション、オーディオブック、音声エージェントのレスポンスなど、スタイルと音声をきめ細かく制御して、正確なテキストの読み上げを行うように調整されています。音声入力と音声出力を使用したインタラクティブなリアルタイム会話には、代わりに Live API を使用します。

gemini-3.1-flash-tts-preview などの以前の 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。

サポートされているモデル

モデル	単一話者	複数話者	ストリーミング	音声デザイン	ボイスレプリケーション
Gemini 3.8 Flash TTS（`gemini-3.8-flash-tts`）
Gemini 3.8 Flash-Lite TTS（`gemini-3.8-flash-lite-tts`）
Gemini 3.1 Flash TTS プレビュー（`gemini-3.1-flash-tts-preview`）
Gemini 2.5 Pro TTS（`gemini-2.5-pro-tts`）
Gemini 2.5 Flash TTS（`gemini-2.5-flash-tts`）

このページのサンプルと機能は、Gemini 3.8 TTS モデルに適用されます。以前のモデルについては、Google Cloud Text-to-Speech ドキュメントの Gemini-TTS をご覧ください。

どのモデルをいつ使用するか

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るため、モデル ID を変更することで切り替えることができます。

Gemini 3.8 Flash TTS（gemini-3.8-flash-tts）を使用する: 音響の忠実度、ニュアンスのある演技、表現力豊かなコントロールが最優先事項である場合。スタジオレベルのクリエイティブな作業、複数の話者による複雑な会話、頻繁なボーカルバーストタグ、難しい発音、地域や少数派の方言、安定した音声とルームトーンが必要な長文のナレーションに適しています。
Gemini 3.8 Flash-Lite TTS（gemini-3.8-flash-lite-tts）を使用すると、高速で費用対効果の高い本番環境ワークロードを実現できます。gemini-3.1-flash-tts-preview の推奨される代替品であり、大量のバッチ本番環境、会話型音声エージェントのカスケード、読み上げ機能、音声レプリケーション、主要言語での日常的な単一話者の音声に適しています。

始める前に

プロジェクトを設定して Gemini Enterprise API を有効にします。
開発環境のアプリケーションのデフォルト認証情報を構成します。
Python サンプルを使用するには、バージョン 2.25.0 以降の Google Gen AI SDK をインストールします。
```
pip install --upgrade "google-genai>=2.25.0"
```

Gemini 3.8 TTS モデルは global ロケーションで利用できます。aiplatform.googleapis.com エンドポイントにリクエストを送信します。

単一話者 TTS

テキストを 1 人のスピーカーの音声に変換するには、parts[].text で文字通りの文字起こしを渡し、parts[].speech_metadata でターンレベルのスタイル設定（省略可）を追加し、speechConfig.voiceConfig.voice で音声を設定します。voice フィールドには、事前構築された音声の名前、拡張音声ライブラリの音声 ID、設計または複製された音声の ID（voice_...）（またはオプションのステートレス voicekey_... キー）を指定できます。

デフォルトでは、単項リクエストは完全な WAV ファイル（16 ビット PCM、24 kHz、モノラル）を返すため、音声バイトを .wav ファイルに直接書き込むことができます。ストリーミングリクエストは、代わりに未加工の PCM チャンクを返します。詳細とその他のエンコードについては、オーディオ出力形式をご覧ください。

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

単一話者のストリーミング TTS

モデルが音声を合成している間に音声を受信するには、streamGenerateContent メソッドを使用します。ストリーミングレスポンスは、ヘッダーのない未加工の 16 ビット PCM チャンク（24 kHz、モノラル）を返すため、各チャンクをプレーヤー、ソケット、または別のオーディオパイプラインに渡すことができます。次の Python サンプルでは、emit_audio 関数がその宛先を表しています。

Python

from google import genai

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

def emit_audio(pcm: bytes) -> None:
    """Sends a chunk of raw 16-bit PCM audio (24 kHz, mono) downstream."""
    # Replace with your audio destination, such as a player, a WebSocket,
    # or a telephony stream.
    print(f"Received {len(pcm)} bytes of audio")

response_stream = client.models.generate_content_stream(
    model="gemini-3.8-flash-lite-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"}},
    },
)

for chunk in response_stream:
    if not chunk.candidates or not chunk.candidates[0].content:
        continue
    for part in chunk.candidates[0].content.parts or []:
        if part.inline_data and part.inline_data.data:
            emit_audio(part.inline_data.data)

REST

curl -N -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  "https://aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/global/publishers/google/models/gemini-3.8-flash-lite-tts:streamGenerateContent?alt=sse" \
  -d '{
    "contents": [{
      "role": "user",
      "parts": [{
        "text": "Have a wonderful day!",
        "speechMetadata": {"style": "cheerful and friendly"}
      }]
    }],
    "generationConfig": {
      "responseModalities": ["AUDIO"],
      "speechConfig": {
        "voiceConfig": {"voice": "Kore"}
      }
    }
  }' | sed -n 's/^data: //p' \
    | jq -r '.candidates[0].content.parts[0].inlineData.data // empty' \
    | while read -r chunk; do echo "$chunk" | base64 --decode; done > streamed.pcm

streamed.pcm ファイルには、24 kHz のモノラル RAW 16 ビット PCM 音声が含まれています。

マルチスピーカー TTS

2 人の話者間の会話の場合は、speechConfig.multiSpeakerVoiceConfig.speakerVoiceConfigs で両方の話者を構成します。次に、各ターンを個別の part として渡し、すべてのターンで speech_metadata.speaker を構成済みの話者名のいずれかに設定し、オプションのターンレベルの style を追加します。

複数話者のリクエストには、ちょうど 2 人の話者が必要です。

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": "How's it going today, Jane?",
                "speech_metadata": {"speaker": "Joe", "style": "cheerful and friendly"},
            },
            {
                "text": "Not too bad, how about you? Ready to test these new voices?",
                "speech_metadata": {"speaker": "Jane", "style": "calm and relaxed"},
            },
        ],
    }],
    config={
        "response_modalities": ["AUDIO"],
        "speech_config": {
            "multi_speaker_voice_config": {
                "speaker_voice_configs": [
                    {"speaker": "Joe", "voice_config": {"voice": "Puck"}},
                    {"speaker": "Jane", "voice_config": {"voice": "Kore"}},
                ]
            }
        },
    },
)

with open("dialogue.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": "How'\''s it going today, Jane?",
          "speechMetadata": {"speaker": "Joe", "style": "cheerful and friendly"}
        },
        {
          "text": "Not too bad, how about you? Ready to test these new voices?",
          "speechMetadata": {"speaker": "Jane", "style": "calm and relaxed"}
        }
      ]
    }],
    "generationConfig": {
      "responseModalities": ["AUDIO"],
      "speechConfig": {
        "multiSpeakerVoiceConfig": {
          "speakerVoiceConfigs": [
            {"speaker": "Joe", "voiceConfig": {"voice": "Puck"}},
            {"speaker": "Jane", "voiceConfig": {"voice": "Kore"}}
          ]
        }
      }
    }
  }' | jq -r '.candidates[0].content.parts[0].inlineData.data' | base64 --decode > dialogue.wav

マルチスピーカーストリーミング TTS

複数話者のリクエストもストリーミングをサポートしています。streamGenerateContent メソッドを使用して、複数話者 TTS と同じリクエストを使用します。

Python

from google import genai

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

def emit_audio(pcm: bytes) -> None:
    """Sends a chunk of raw 16-bit PCM audio (24 kHz, mono) downstream."""
    # Replace with your audio destination, such as a player, a WebSocket,
    # or a telephony stream.
    print(f"Received {len(pcm)} bytes of audio")

response_stream = client.models.generate_content_stream(
    model="gemini-3.8-flash-tts",
    contents=[{
        "role": "user",
        "parts": [
            {
                "text": "How's it going today, Jane?",
                "speech_metadata": {"speaker": "Joe", "style": "cheerful and friendly"},
            },
            {
                "text": "Not too bad, how about you? Ready to test these new voices?",
                "speech_metadata": {"speaker": "Jane", "style": "calm and relaxed"},
            },
        ],
    }],
    config={
        "response_modalities": ["AUDIO"],
        "speech_config": {
            "multi_speaker_voice_config": {
                "speaker_voice_configs": [
                    {"speaker": "Joe", "voice_config": {"voice": "Puck"}},
                    {"speaker": "Jane", "voice_config": {"voice": "Kore"}},
                ]
            }
        },
    },
)

for chunk in response_stream:
    if not chunk.candidates or not chunk.candidates[0].content:
        continue
    for part in chunk.candidates[0].content.parts or []:
        if part.inline_data and part.inline_data.data:
            emit_audio(part.inline_data.data)

REST

curl -N -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  "https://aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/global/publishers/google/models/gemini-3.8-flash-tts:streamGenerateContent?alt=sse" \
  -d '{
    "contents": [{
      "role": "user",
      "parts": [
        {
          "text": "How'\''s it going today, Jane?",
          "speechMetadata": {"speaker": "Joe", "style": "cheerful and friendly"}
        },
        {
          "text": "Not too bad, how about you? Ready to test these new voices?",
          "speechMetadata": {"speaker": "Jane", "style": "calm and relaxed"}
        }
      ]
    }],
    "generationConfig": {
      "responseModalities": ["AUDIO"],
      "speechConfig": {
        "multiSpeakerVoiceConfig": {
          "speakerVoiceConfigs": [
            {"speaker": "Joe", "voiceConfig": {"voice": "Puck"}},
            {"speaker": "Jane", "voiceConfig": {"voice": "Kore"}}
          ]
        }
      }
    }
  }' | sed -n 's/^data: //p' \
    | jq -r '.candidates[0].content.parts[0].inlineData.data // empty' \
    | while read -r chunk; do echo "$chunk" | base64 --decode; done > dialogue_streamed.pcm

dialogue_streamed.pcm ファイルには、24 kHz の RAW 16 ビット PCM 音声（モノラル）が含まれています。

メタデータとタグを使用して音声スタイルを制御する

Gemini 3.8 TTS モデルは、text フィールドを逐語的な音声文字変換として扱います。テキストに書き込まれた指示（"Say cheerfully: Hello!" や "Speaker 1: Hello!" など）が読み上げられることがあります。配信を制御するには、手順をスコープごとに分割します。

ターンレベルの持続的な表現（speech_metadata.style）: ターン全体に適用される感情、表現スタイル、韻律、ペース、音量を speech_metadata.style に入れます。たとえば、"style": "whispered urgently"、"style": "out of breath"、"style": "warm and enthusiastic" です。
ポイントインタイムイベント（インラインタグ）: 音声以外の瞬間的な発声や一時停止を、山かっこで囲んで音声文字変換に挿入します。例: "Wait... <short pause> did you hear that? <sigh>"、"Excuse me <cough> as I was saying..."

詳しい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。

音声オプション

Gemini 3.8 TTS モデルは、音声を選択または作成する 4 つの方法をサポートしています。

事前構築済みの音声: 30 種類の厳選された音声。
拡張音声ライブラリ: 言語、地域のアクセント、キャラクターのペルソナにわたる 2,000 以上の厳選されたプリセット音声。
音声デザイン: Voices API の create メソッド（Google Gen AI SDK の client.voices.create()、または POST https://aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/global/voices）を使用して、自然言語の説明からカスタム音声を作成します。type を VOICE_TYPE_PROMPTED に、store を true に設定します。レスポンスは、保存された voice_... ID と音声のサンプルを返します。
ボイスレプリケーション: 同じ create メソッドを使用して、参照音声と同意音声から話者の声を複製します。type を VOICE_TYPE_REPLICATED に設定します。store: true を使用すると、レスポンスは保存された voice_... ID を返します。store: false を指定すると、ステートレスの voicekey_... キーが返されます。

カスタム音声の上限と TTL

音声タイプ	ストレージモード	管理	有効期限
保存された音声（`voice_...`、設計または複製）	`store: true`	Voices API の `list`、`get`、`delete` メソッド	最後の使用から 1 年後
ボイスレプリケーションキー（`voicekey_...`）	`store: false`	アプリケーションによって管理されます。Google はキーを保持しません。	作成から 7 日後

保存された音声で音声を生成すると、1 年間の保持期間が再開されるため、定期的に使用する音声は期限切れになりません。音声作成リクエストには、プロジェクトごと、1 分あたりの割り当てが適用されます。この上限を超えると、create メソッドは RESOURCE_EXHAUSTED エラーを返します。詳細については、割り当てとシステムの上限をご覧ください。

データストレージと保持

Google は、保存済み音声の作成時に入力された内容と、それから派生した音声アーティファクトを、音声を作成したGoogle Cloud プロジェクトに関連付けて保存します。

話者の録音から複製された音声を作成すると、次のものが保存されます。

参照音声: 音声が複製される話者のサンプル。
同意音声: 必要な同意文を読み上げるスピーカー。

プロンプトで音声のテキスト記述を使用して設計された音声を作成すると、次の情報が保存されます。

音声の説明として作成したテキストプロンプト。
そのプロンプトから生成された音声。モデルはこれを音声の参照として使用します。

設計された音声には同意音声がありません。これは、人の録音ではなく説明から生成されるためです。

音声入力は、モデルの更新後も音声が機能し続けるように保存されます。基盤となるモデルが更新されると、保存された入力から音声アーティファクトが再生成されます。音声の保存された入力が見つからない場合、そのアーティファクトを再生成できず、モデルの更新後に音声が機能しなくなります。その後、音声を再度作成する必要があります。

保存された入力は、モデルの更新時に音声の再生成にのみ使用されます。保存時に暗号化され、音声を作成したプロジェクトに分離されます。

保持期間

音声と関連する保存データはすべて、音声を使用して音声を合成した最後の日から最長 1 年間（365 日間）保持されます。この期間は、音声を作成したときに開始され、その音声を使用する合成リクエストを送信するたびにリセットされます。音声が 365 日間使用されない場合、音声、保存された入力、派生アーティファクトは削除されます。

お客様による削除

Voices API の delete メソッドを使用すると、いつでも音声を削除できます。音声を削除すると、保存されている入力とその派生アーティファクトが削除されます。音声を所有する Google Cloud プロジェクトを削除すると、標準のプロジェクト削除プロセスに従って音声も削除されます。

事前構築済みの音声

次のリストに、各プリビルド音声の名前とその特徴を示します。

Achernar: ソフト
アキルド: フレンドリー
アルゲニブ: しゃがれ声
Algieba: スムーズ
Alnilam: 企業
アオエデ: さわやか
アウトノエ: 明るい
Callirrhoe: おおらか
カロン: 説明的
デスピナ: 流暢
エンケラドゥス: かすれ声
エリノメ: 明瞭
Fenrir: 興奮しやすい
Gacrux: 大人っぽい
イアペトゥス: 明瞭
Kore: 企業
ラオメデイア: 陽気
Leda: 若々しい
Orus: Firm
ケース: Upbeat
プルケリマ: 大胆
Rasalgethi: 説明的
サダクビア: 活気がある
Sadaltager: 博識
シェダル: 偶数
スラファト: 暖かい
Umbriel: のんびり
Vindemiatrix: 穏やか
Zephyr: 明るい
ズベンエルゲヌビ: 気さく

Extended Voice Library

30 種類の事前構築済み音声に加えて、拡張音声ライブラリには、言語、地域アクセント、キャラクターペルソナ、オーディオブック、会話エージェント、ニュースなどのユースケースにわたって、2,000 種類以上の厳選されたプリセット音声が用意されています。ライブラリ音声を使用するには、事前構築済みの音声名を渡す場合と同じように、speechConfig.voiceConfig.voice で ID を渡します。

ライブラリを閲覧するには、Voices API の list メソッド（ListVoices）を呼び出します。このメソッドは、プロジェクトに保存されているカスタム音声、事前構築済みの音声、拡張音声ライブラリの音声を返します。各ライブラリ音声には、id と、language_code、accent、gender、pitch、persona、description などのメタデータが含まれています。結果を絞り込むには、次のフィルタを使用します。

type: 音声ソース。prebuilt（組み込み音声とライブラリ音声）、prompted（設計された音声）、replicated（複製された音声）のいずれか。複数の値を渡すと、メソッドはそれらのいずれかに一致する音声が返します。
search: 各音声の表示名と説明に対して大文字と小文字を区別せずに照合するテキスト。

次の例では、ライブラリでナレーターの音声を探します。

Python

from google import genai

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

response = client.voices.list(type_=["prebuilt"], search="narrator", page_size=50)
for voice in response.voices or []:
    print(voice.id, voice.language_code, voice.gender, voice.description)

REST

curl -G \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  https://aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/global/voices \
  --data-urlencode "type=prebuilt" \
  --data-urlencode "search=narrator" \
  --data-urlencode "pageSize=50"

list メソッドは、1 ページあたり最大 50 個の音声を返します。次のページを取得するには、レスポンスの next_page_token 値を page_token パラメータとして渡します。

音声出力形式

デフォルトの音声エンコードは、メソッドによって異なります。

単項リクエスト（generateContent）は、RIFF ヘッダー（16 ビット PCM、24 kHz、モノラル）を含む完全な WAV ファイル（audio/wav）を返します。
ストリーミングリクエスト（streamGenerateContent）は、ヘッダーなしの RAW 16 ビット符号付きリトルエンディアン PCM チャンク（audio/l16）を 24 kHz、モノラルで返します。

別のエンコードをリクエストするには、generationConfig.responseFormat を音声形式に設定します。Gemini 3.8 TTS モデルは、次の mimeType 値をサポートしています。

`mimeType` 値	形式	説明
`AUDIO_WAV` （単項デフォルト）	WAV（`audio/wav`）	RIFF ヘッダー付きの完全な WAV ファイル（16 ビット PCM、24 kHz、モノラル）。
`AUDIO_L16` （ストリーミングのデフォルト）	リニア PCM（`audio/l16`）	ヘッダーレスの RAW 16 ビット符号付きリトルエンディアン PCM。ストリーミング、カスタム音声パイプライン、マルチターンのクリップの連結に使用します。
`AUDIO_MULAW`	μ-law（`audio/mulaw`）	G.711 μ-law コンパンド音声（8 kHz、モノラル）。北米および日本の電話で一般的に使用されています。
`AUDIO_ALAW`	A-law（`audio/alaw`）	G.711 A-law 圧縮音声（8 kHz、モノラル）。ヨーロッパおよび国際電話で一般的に使用されます。

モデルは sampleRate フィールドを無視します。リニア PCM と WAV の出力は 24 kHz、μ-law と A-law の出力は 8 kHz です。レスポンス mimeType のレートは関係ありません。パイプラインで異なるサンプルレートが必要な場合は、クライアントで出力をリサンプリングします。

次の例では、テレフォニーパイプラインの μ-law 出力をリクエストします。Google Gen AI SDK for Python は GenerateContentConfig で responseFormat を公開しないため、Python サンプルは http_options.extra_body を使用してリクエスト本文で渡します。

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!"}]}],
    config={
        "response_modalities": ["AUDIO"],
        "speech_config": {"voice_config": {"voice": "Kore"}},
        "http_options": {
            "extra_body": {
                "generationConfig": {
                    "responseFormat": [{"audio": {"mimeType": "AUDIO_MULAW"}}]
                }
            }
        },
    },
)

# The response is headerless μ-law audio at 8 kHz, mono.
with open("out.mulaw", "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!"}]}],
    "generationConfig": {
      "responseModalities": ["AUDIO"],
      "responseFormat": [{"audio": {"mimeType": "AUDIO_MULAW"}}],
      "speechConfig": {
        "voiceConfig": {"voice": "Kore"}
      }
    }
  }' | jq -r '.candidates[0].content.parts[0].inlineData.data' | base64 --decode > out.mulaw

サポートされている言語

Gemini 3.8 TTS モデルは、入力言語を自動的に検出します。Gemini 3.8 Flash TTS は 130 言語をサポートし、Gemini 3.8 Flash-Lite TTS は 101 言語をサポートしています。

言語	Gemini 3.8 Flash TTS	Gemini 3.8 Flash-Lite TTS
アチェ語（アラビア文字）
アフリカーンス語
アカン語
アムハラ語
アルメニア語
アッサム語
アワディー語
バリ語
ベンガル語
バンジャール語（アラビア文字）
バンジャール語（ラテン文字）
バシキール語
バスク語
ベラルーシ語
ベンバ語
ボージュプリー語
ボスニア語
ブギス文字
ブルガリア語
ビルマ語
広東語
カタルーニャ語
セブアノ語
中央クルド語
チャッティースガリー語
中国語（漢語）
中国語（繁体字）
クリミアタタール語
クロアチア語
チェコ語
デンマーク語
オランダ語
ジュラ語
ゾンカ語
エジプトアラビア語
英語
エストニア語
フィリピン語
フィンランド語
フランス語
ガリシア語
ガンダ語
ジョージア語
ドイツ語
ギリシャ語
グアラニ語
グジャラート語
クレオール語（ハイチ）
ハルハモンゴル語
ハウサ語
ヘブライ語
ヒンディー語
ハンガリー語
アイスランド語
イボ語
イロカノ語
インドネシア語
イランペルシア語
イタリア語
日本語
ジャワ語
カビル語
カンバ語
カンナダ語
カシミール語（アラビア文字）
カシミール語（デーヴァナーガリー文字）
カザフ語
クメール語
キクユ語
キニヤルワンダ語
コンゴ語
韓国語
キルギス語
ラオ語
ラトガリア語
リンガラ語
リトアニア語
ルクセンブルク語
マケドニア語
マガヒー語
マイティリー語
マラヤーラム語
マルタ語
マニプリ語
マラーティー語
ミナンカバウ語（アラビア文字）
ミナンカバウ語（ラテン文字）
ミゾ語
ネパール語（個別の言語）
ナイジェリアのフルフルディ語
北アゼルバイジャン語
北ソト語
ウズベク語北部方言
ノルウェー語[ブークモール]
ノルウェー語（ニーノシク）
ニャンジャ語
オック語
オディア語（個別の言語）
パンガシナン語
ペルシャ語（アフガニスタン）
ポーランド語
ポルトガル語
パンジャブ語
ルーマニア語
ロシア語
サンタル語
セルビア語
シンド語
シンハラ語
スロバキア語
スロベニア語
ソマリ語
南アゼルバイジャン語
南部パシュト語
南ソト語
スペイン語
標準アラビア語（アラビア文字）
標準アラビア語（ラテン文字）
標準ラトビア語
標準マレー語
スワヒリ語（個別の言語）
スワート語
スウェーデン語
タジク語
タミル語
テルグ語
タイ語
ティグリニャ語
トスクアルバニア語
ウイグル語

制限事項

TTS モデルはテキストのみの入力を受け入れ、音声のみの出力を返します。
複数話者のリクエストには、2 人の話者が必要です。設計された音声（voice_...）または複製された音声（voice_... または voicekey_...）をマルチキャラクターダイアログで組み合わせる場合、または 2 人以上の話者を使用する場合は、各話者のターンを個別に合成して音声を連結します。各ターンで AUDIO_L16 出力をリクエストするか、クリップを連結する前に各クリップから WAV ヘッダーを削除します。
モデルは global ロケーションでのみ使用できます。
システム指示はサポートされていません。
出力サンプルレートを設定することはできません。MP3 と Ogg Opus の出力はサポートされていません。

次のステップ

プロンプトガイドで、スタイル、ペース、音声の音を指示する方法をご確認ください。
音声デザインを使用して、テキストの説明からカスタム音声を作成します。
ボイスレプリケーションを使用して、話者の声を複製します。
モデルの仕様については、Gemini 3.8 Flash TTS モデルページと Gemini 3.8 Flash-Lite TTS モデルページをご覧ください。

Gemini TTS で音声を生成する 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。

サポートされているモデル

どのモデルをいつ使用するか

始める前に

単一話者 TTS

Python

REST

単一話者のストリーミング TTS

Python

REST

マルチスピーカー TTS

Python

REST

マルチスピーカー ストリーミング TTS

Python

REST

メタデータとタグを使用して音声スタイルを制御する

音声オプション

カスタム音声の上限と TTL

データ ストレージと保持

保持期間

お客様による削除

事前構築済みの音声

Extended Voice Library

Python

REST

音声出力形式

Python

REST

サポートされている言語

制限事項

次のステップ

Gemini TTS で音声を生成する

マルチスピーカーストリーミング TTS

データストレージと保持