このページでは、Gemini 3.8 Flash TTS と Gemini 3.8 Flash-Lite TTS を使用する際のプロンプト作成のベスト プラクティスについて説明します。
リクエスト構文とコードサンプルについては、Gemini TTS の概要をご覧ください。
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。持続的なターンレベルの指示は speech_metadata に、特定の時点の音声イベントは文字起こしにインラインで挿入されます。次のリクエストでは、ターンレベルの style とインラインの音声タグおよび一時停止を組み合わせています。
{
"contents": [{
"role": "user",
"parts": [{
"text": "Wait... <short pause> did you hear that? <gasp> Someone's at the door.",
"speechMetadata": {"style": "whispered, nervous"}
}]
}],
"generationConfig": {
"responseModalities": ["AUDIO"],
"speechConfig": {"voiceConfig": {"voice": "Kore"}}
}
}
スタイル フィールドとインライン タグ
パフォーマンスに関する指示をスコープごとに分割します。
- ターンレベルのデリバリー(
speech_metadata.style): 感情、韻律、全体的なペース、デリバリー スタイル("whispering"、"out of breath"、"muttering"、"sarcastic"など)などの持続的なデリバリー属性をspeech_metadataのstyleフィールドに入力します。ターン間で安定したキャラクターとパフォーマンスを作成するには、音声デザインでペルソナを事前に設計し、styleはオプションのターンレベルの調整にのみ使用します。 - 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、呼吸、一時停止を、山かっこ(
<cough>、<breath>、<sigh>、<short pause>)を使用して、文字変換内にインラインで配置します。山かっこ(<...>)を使用して、最高の音質を実現し、音声以外の効果音ではなく、人間の発声にこだわります。
| 範囲 | 設置場所 | 例 |
|---|---|---|
| ターンレベル(ターン全体で持続) | speech_metadata.style |
"angry tone"、"speaking rapidly"、"out of breath"、"whispers"、"sarcastic" |
| ポイントインタイム(特定の単語で発生) | text(<...>)のインライン |
"<cough> Thank you all for coming tonight! <throat-clearing> As I was saying..." |
ペーシングと一時停止
リズムと無音は、次の 3 つのレベルで制御できます。
- 句読点と省略記号: カンマ、ダッシュ(
--)、省略記号(...)を使用して、自然な言いよどみを表現します。 - インライン休止タグ: 話者が休止する場所に
<short pause>または<long pause>を挿入します。例:"Hold on, let me think... <short pause> Alright, I've got it." - ターンレベルのペース:
speech_metadataで"style": "speaking rapidly"または"style": "speaking slowly"を設定して、ターン全体の発話速度を制御します。
韻律とピッチ
speech_metadata.style を使用して、ターン全体の韻律、ピッチ、抑揚を制御します。たとえば、"style": "high pitch, cheerful and excited inflection" や "style": "monotone and flat" です。会話の途中で感情が変化する場合は、スクリプトを個別のターンに分割し、それぞれに独自の style を設定します。
強調
音声文字変換の単語を大文字にして、句読点やインラインタグとともに強調します。たとえば、"This is a VERY important point!" や、"It was a VERY long day <sigh> ... nobody listens anymore." です。
ボーカル バーストと会話以外の音声
音声以外の人の発声は、音が発生する位置に山かっこ(<...>)で囲んでインラインで配置します。拍手などの非音声効果音ではなく、人間の声を使用します。推奨されるボーカルタグは次のとおりです。
| タグ | タグ | タグ | タグ |
|---|---|---|---|
<argh> |
<breath> |
<heavy breath> |
<exhales> |
<cackle> |
<cheer> |
<chuckle>/<chuckles> |
<cough> |
<cry> |
<gasp> |
<giggle> |
<groan> |
<growl> |
<grunt> |
<grr> |
<hiss> |
<laugh>/<laughter> |
<moan> |
<pant> |
<pff>/<phew> |
<scream> |
<shout> |
<shriek> |
<sigh>/<sighs> |
<sneeze> |
<snicker> |
<snort> |
<sob> |
<throat-clearing> |
<tsk> |
<whimper> |
<whispers>/<whispering> |
<yawn> |
<short pause> |
<long pause> |
バックチャネルと音声の重複
複数の話者がいる会話では、アクティブな話者の発言中に、聞き手の反応をパイプ文字(|reaction|)で囲みます。これにより、反応ごとに個別のターンを必要とせずに、自然なバックチャネルや重複する発話が作成されます。
- 短いバックチャネル: アクティブな話者の発言中に、聞き手の短い反応を重ねます。
- ターン 1(話者 A):
"So the launch is Thursday |oh hmm| Are we actually ready?" - ターン 2(話者 B):
"Ready enough |oh really?| The last blocker cleared this morning." - ターン 3(話者 A):
"Then let's ship it |absolutely| and watch the dashboards."
- ターン 1(話者 A):
- 重複する音声とインターリーブされた音声: 複数のパイプ セグメントを使用して、同時音声をシミュレートします。これは、
gemini-3.8-flash-ttsで最も効果的です。- カウントダウンまたはコーラス:
"Let's surprise him on three |ok| ready?"の後に"one. two. three. |happy| happy |birthday| birthday!" - 完全な重複:
"Hello |oh| there |my| it |goodness| must |gracious| be |would| almost |you| time |look| for |at that| dinner"
- カウントダウンまたはコーラス:
世代間の整合性と避けるべきこと
ターン間で音声アイデンティティを安定させるには、次のガイドラインに沿ってください。
- 長いスタイル ブロックではなく、音声デザインでペルソナを事前に設計する: 以前のモデルから引き継がれた長い
"Audio Profile"段落と複数の箇条書き"Director's Notes"は、音声ドリフトの最も一般的な原因です。音声デザインで同じクリエイティブな直感を事前に使用して、永続的なカスタムvoice_...ペルソナを生成し、TTS 呼び出しでその音声 ID を使用します。 - 安定性のために音声リファレンスに依存する(メタ指示を省略する): Gemini 3.8 TTS モデルは、まず音声リファレンスにアンカーするようにトレーニングされています。モデルに声を安定させるように指示する指示(
"do not switch speaker identity"や"maintain identical timbre"など)は含めないでください。余分なプロンプト テキストはドリフトを増加させます。不要なスタイル指示を削除し、音声リファレンスによって提供される安定したポイントを中心にモデルが自然に変化するようにします。 styleで不変の話者の特性を変更しようとしない: 年齢、性別、名前、永続的なアクセントの変更をspeech_metadata.styleに含めないでください。代わりに、拡張音声ライブラリから地域の音声を選択するか、音声デザインで作成してください。
おすすめのワークフロー
- キャラクターを 1 回作成する: 音声デザインでキャラクターを作成するか、拡張音声ライブラリから、ターゲット言語とペルソナに一致する地域の音声を選択します。
- 非流暢性を含む自然な音声文字変換を作成する: 自然さを最大限に高めるため、
textは、自然な会話の非流暢性やためらい("Oh uh yeah I think... hm, so that's interesting"など)を含む、実際の音声文字変換として作成します。 - まず、プレーンな TTS をテストする: まず、
styleフィールドを空にして、トランスクリプトを合成します(Agent Studio など)。ほとんどのリクエストでは、style命令はまったく必要ありません。 - 微調整用にのみ短い
styleプロンプトを追加する: 特定の配信調整が必要なターンにのみ、簡潔なstyle文字列("casual, friendly"や"muttering, then reassuring"など)を追加します。一貫したベースラインが必要な場合は、ターン間で同じ短い文字列を再利用します。
マルチターンの対話と音声エージェント
会話型音声エージェントやその他のマルチターン アプリケーションを構築する場合:
- LLM テキストが到着するたびに、ターンごとに 1 つの TTS リクエストを送信します。
- 構成された
voiceが、ターン間で話者の ID を保持できるようにします。各ターンで長いペルソナの説明を再送信しないでください。 styleは空のままにするか、会話全体に対して短い定数文字列を 1 つ送信します。styleプロンプトを強化するのではなく、エージェントの長いレスポンスを短いターンに分割します。