Gemini 3.8 Flash TTSとFlash-Lite TTSを業務目線で読む｜使いどころと、声の複製・透かしの線引き

Googleは2026年9月23日付の公式ブログで、音声合成(TTS)の新モデル「Gemini 3.8 Flash TTS」と「Gemini 3.8 Flash-Lite TTS」を発表しました(Gemini APIのリリースノートでは9月22日付で一般提供=GAと記載)。声を自然文で設計する、台本の行ごとに演技を指示する、30秒ほどの録音から声を複製する、といった機能が並び、デモを聞くと「もうナレーターは要らないのでは」と感じる人もいるはずです。この記事では、機能の紹介より一歩引いて、業務のどこに効き、どこでは手間が残るのか、そして声の複製と透かしをどう社内ルールに落とすのかを、公式の一次情報で確認できた範囲に絞って整理します。

なお、本記事はテキストを音声に変える「TTS単体」の話です。人と対話しながら聞いて話すリアルタイム音声モデルとは別の製品カテゴリなので、その点を最初に押さえておいてください。

何が公開されたのか#

まず事実関係を整理します。今回出たのは2つのTTSモデルと、声を作って管理するためのVoices API(/v1beta/voices)です。

提供先は、開発者向けがGemini APIとGoogle AI Studio、企業向けのGemini Enterpriseは「近日提供」とされています。一般向けには、Flash TTSがGemini Notebook、Flash-Lite TTSがGoogle Vidsに展開されると案内されています。

数字の書き方が資料によって違う点には注意が必要です。対応言語は、公式ブログが「100超の言語」とする一方、APIドキュメントではFlash TTSが130超、Flash-Lite TTSが100超(モデルページの比較表では130と101)と書き分けています。ボイス数も、公式ブログは「2,000超の本番利用可能なボイス」をうたう一方、APIドキュメントは「30の標準ボイス」と「数百規模の拡張ボイスライブラリ」、リリースノートは「150超の標準・カスタムボイス」という書き方です。数え方の単位が揃っていないため、自社で使う言語とボイスが実際に選べるかは、AI StudioやVoices APIの一覧で直接確かめるのが確実です。

2モデルをどう振り分けるか#

公式の説明を業務の用途に当てはめると、振り分けの目安は次のようになります。同じスキーマで切り替えられるので、まずFlash-Liteで試し、演技や発音が足りない工程だけFlashに上げる、という進め方が現実的です。

ポイントは、「高いほうが常に良い」ではなく、演技の細かさが価値になる用途かどうかで分けることです。マニュアルの読み上げに演技の幅は要りませんし、逆に対談形式のコンテンツで掛け合いが不自然だと、聞き手はすぐに離れます。

料金: 公式の価格ページで確認できた範囲#

料金はGemini APIの公式価格ページで確認できた値だけを載せます(本記事執筆時点。価格ページの最終更新は2026年9月24日)。単位はいずれも100万トークンあたりの米ドルです。

この価格には期限がついています。価格ページには、上の単価が2026年12月31日までの価格で、2027年1月1日からは入力$1.00・出力がFlash TTSで$18.00、Flash-Lite TTSで$12.00と、それぞれ倍になると明記されています。バッチ処理はいずれも標準価格の半額で、音声トークンは「音声1秒あたり25トークン」と注記されています。

この換算を使うと、音声1時間は9万トークンなので、出力だけで2026年中はFlash TTSが約0.81ドル、Flash-Lite TTSが約0.54ドル、2027年からはそれぞれ約1.62ドル、約1.08ドルになります(本記事の試算。入力テキスト分や再生成分は含みません)。

単価が安いことより効いてくるのは、作り直しの回数です。後述する読み間違いや演技のずれで同じ箇所を何度も生成し直すと、実コストは試算の数倍になります。コストを見積もるときは「1本あたりの再生成率」も一緒に測っておくと、予算とのずれが小さくなります。

声の設計と演技指示は、業務のどこに効くか#

今回の中心的な機能は、声を選ぶだけでなく「設計し、演出する」ことです。主な機能を業務の場面に当てはめてみます。

• 自然文での声の設計: 「落ち着いた中年の研修講師、ややゆっくり」のような説明から声を作ってプロジェクトに保存し、そのvoice_...IDで同じ声を使い回せます(保存した声の保持期間は1年)。研修シリーズや社内報の音声化で、回ごとに声が変わる問題を避けやすくなります。
• 行単位の演技指示: 行ごとに「落ち着いて」「ささやくように」といったスタイルを付け、台本中には<sigh>や<short pause>のような瞬間的な音の指示を差し込めます。コールセンターの応対例や、ドラマ仕立ての研修教材で効きます。
• 2話者の掛け合い: 1回のリクエストで2人の会話を生成でき、あいづち(|mhm|のような記法)も指示できます。対談形式のポッドキャストや、上司と部下のロールプレイ教材が作りやすくなります。
• 長尺の安定性: 公式ブログは、数時間の連続音声でも話者の声のぶれが小さいとしています。長い研修や音声化したマニュアルで、途中から声色が変わる問題が減ることが期待されます。
• 電話向けの出力形式: 出力はWAVのほか、ヘッダなしPCM、G.711のmu-law・A-lawに対応し、サンプリングレートを8kHzなどに指定できます。APIドキュメントは、mu-lawを北米と日本の電話・IVRで一般的な形式として挙げています。

効かないところ、手間が残るところ#

一方で、TTSを入れれば音声コンテンツの制作工程がなくなるわけではありません。公式ドキュメントから読み取れる注意点と、音声合成全般の実務上の注意点を分けて挙げます。

• 台本は「そのまま読む原稿」として扱われる: Gemini 3.8 TTSは入力テキストを厳密な逐語原稿として扱うと明記され、「Say cheerfully: Hello!」のように本文へ書いた指示は読み上げられてしまう可能性があると注意書きがあります。演技指示は専用のメタデータ欄に分けて書く必要があり、既存の台本やプロンプトをそのまま流用するとやり直しになります。
• 固有名詞・略語・数字の読み: 社名、製品名、人名、型番、社内略語をどう読むかは、音声合成全般で最も事故が起きやすい部分です。今回の公式資料では、辞書登録のような読みの指定手段は確認できませんでした。読みの揺れが許されない用語は、台本の段階で読み仮名に開く、聞き取りで全数確認する、といった運用が前提になります。
• 品質確認は人の耳が必要: 生成された音声は、文字のように斜め読みで確認できません。10分の音声は10分聞く必要があり、ここが制作工数の中心として残ります。研修や対外向けの音声は、原稿と聞き比べるチェック担当を工程に置いてください。
• 2話者までの制約: 1リクエストで生成できる掛け合いは、標準ボイスで最大2話者と明記されています。3人以上の会議風コンテンツや、設計・複製したカスタムボイス同士の掛け合いは、話者ごとに生成して結合する作りになります。
• 1リクエストの長さ: モデルページの出力トークン上限は16,384で、価格ページの「音声1秒=25トークン」と掛け合わせると、1回で出せる音声は単純計算で約11分弱です(本記事の試算)。長尺は区切って生成し、つなぎ目の声色や間を確認する工程が要ると見ておくのが無難です。

音声エージェントとの関係#

IVRや音声エージェントでの利用が想定されているとはいえ、TTSはあくまで「テキストを声にする部品」です。APIドキュメントもFlash-Liteの用途を「音声エージェントのカスケード」と表現しており、一般にこれは音声認識・LLM・音声合成を順につなぐ構成を指します。相手の発話を聞きながら割り込みやあいづちに対応する全二重の対話は、別種のリアルタイム音声モデルの領域で、今回のTTSだけで実現するものではありません。応答の中身の正しさも、前段のLLMや業務ロジック側で担保する必要があります。

30秒で声を複製できる条件: 本人の同意録音#

業務で最も慎重に扱うべきなのが、声の複製(Voice replication)です。公式ブログは「30秒の音声サンプル」から一貫した声のプロファイルを再現できるとしています。ただし、誰の声でも録音さえあれば複製できる設計にはなっていません。APIドキュメントに書かれている要件を整理します。

提供範囲にも制約があります。公式ブログの注記では、Google AI Studio経由の声の複製は、米国のイリノイ州とテキサス州、EEA(欧州経済領域)、英国、スイス、インドでは利用できないとされています。拠点が複数国にまたがる会社は、どの拠点で誰が操作するかも確認しておく必要があります。

SynthID透かしが保証すること、しないこと#

公式ブログは、Gemini Audioモデルが生成するすべての音声クリップにSynthIDの透かしが入り、人には聞こえない形で音声そのものに埋め込まれると説明しています。声の複製については、SynthIDに加えてC2PA(コンテンツの来歴を記録する業界標準)のクレデンシャルも付くとしています。

ここで大事なのは、透かしで分かることの範囲です。GoogleのGeminiアプリのヘルプには、透かしの検証について次のような説明があります。

加えて、次のことは透かしでは分かりません(公式資料の記述からの整理です)。

• その声の複製や利用に、本人が業務上同意しているか
• 音声で話されている内容が正しいか
• 他社のツールで作られたなりすまし音声かどうか
• 生成後に誰がどこへ配布したか

SynthIDは「Googleのモデルが作った音声かを後から確かめる手段」であり、なりすましを防ぐ仕組みでも、利用の正当性を証明する仕組みでもありません。この線引きは、テキストの電子透かしを扱ったときと同じ構図です。

社内ルールにする観点: 誰の声を使ってよいか#

声を言葉で設計できて、本人の同意があれば30秒ほどの録音で複製できるようになると、社内では「技術的にできるか」より「使ってよいか」の判断が増えます。Googleの生成AI禁止利用ポリシーも、欺く目的で、明示的な開示なしに個人(存命か故人かを問わず)になりすますことや、法的に必要な同意なく生体情報を含む個人データを使うことを禁じています。そのうえで、社内ルールとして最低限決めておきたい観点を挙げます。

1. 使ってよい声の区分を決める#

• 設計した合成音声(実在の人物に似せない): 原則利用可。ただし特定の実在人物に似せる指示は禁止しておく。
• 社員本人の声の複製: 本人の書面同意を前提に、用途・公開範囲・利用期間を明記する。成人であることも公式の要件です。
• 外部のナレーター・タレントの声: 出演契約とは別に、合成音声の作成と利用範囲(媒体・期間・地域・二次利用)を契約で明示する。同意録音をもらえても、契約の範囲外で使えば問題になりえます。
• 役員・広報担当など対外的に顔の見える人の声: 悪用時の影響が大きいため、複製そのものを原則禁止にするか、承認者を一段上げる。

2. 退職・契約終了時の扱いを先に決める#

複製した声は、プロジェクトに保存する方式なら保持期間が1年で、削除はVoices APIで行えます。逆に言えば、1年を超える研修シリーズなどでは保存した声が失効しうるため、失効日の管理と再作成の手順も必要です。退職や契約終了のときに、どの声IDを誰が削除し、すでに公開した音声コンテンツを差し替えるのか残すのかを、あらかじめ決めておかないと、判断が後手に回ります。声IDの台帳(誰の声か、同意日、用途、保存方式、失効日、削除予定日)を作っておくと、棚卸しが現実的になります。

3. なりすまし対策は受け手側にも必要#

合成音声の精度が上がるほど、「上司の声で電話がかかってきて振込を指示される」といった手口のリスクも上がります。透かしは他社ツール製の音声を判定できないため、対策の中心は技術ではなく手続きです。

• 送金・権限付与・機密の開示など重要な依頼は、声だけで判断せず、別経路(社内チャット、折り返し電話)で確認する手順を明文化する
• 社内で合成音声を使う場合は、冒頭で合成音声であることを明示する方針にし、聞き手の側に「声だけで本人と決めない」前提を共有する
• 同意録音や参照音声の原本は、生体情報に準じて保管場所とアクセス権を限定する

小さく試す進め方#

本記事のモデル名・提供日・提供先・機能・対応言語・ボイス数・同意の要件・保存方式・地域制限・透かしの説明は、Googleの公式ブログ、Gemini APIのリリースノート・各ドキュメント・モデルページ、Geminiアプリのヘルプ、生成AI禁止利用ポリシーで確認できた範囲に基づきます。料金はGemini APIの公式価格ページ(2026年9月24日更新)の値で、音声1時間あたりの金額と1リクエストの最大音声長は本記事の試算です。ベンチマークはGoogleが示した外部評価で、自社環境での品質を保証するものではありません。仕様・価格・提供範囲は変わりうるため、利用前に公式の最新情報を確認してください。

よくある質問#

まとめ#

Gemini 3.8 Flash TTSとFlash-Lite TTSは、声を「選ぶ」ものから「設計して演出する」ものに変えつつあります。研修動画やマニュアルの音声化、対談形式のコンテンツでは、録音の手配や録り直しの手間を大きく減らせる可能性があります。一方で、固有名詞の読みや人の耳による確認という工程は残り、声の複製は同意録音があっても社内の取り決めなしには使えません。透かしは出どころを確かめる手段であって、正当性やなりすまし対策の代わりにはなりません。まずは設計ボイスで小さく試し、工数と読みの精度を数字で確かめてから、声の複製のルールづくりに進むのが堅実な順番だと考えます。