じぇみちゃん、声を手に入れる。Gemini 3.8 Flash TTS 特集

Video

まずは、じぇみちゃんの声で

約2分で、何ができて、どう使うのかをじぇみちゃんが案内します。音が出るので、音量に気をつけて再生してください。

声：Gemini 3.8 Flash TTS（声 Erinome）／ BGM：Python のコードで自作

Chapter 1

何が出たの？ 2つのモデル

出たのは、表現力の Flash TTS と、速さと安さの Flash-Lite TTS の2つ。 4月にプレビューで出た3.1 Flash TTSの後継で、今回は最初から正式版（GA）です。

130 言語

日本語もOK

Flash TTS の対応言語数。Flash-Lite TTS は101言語。どちらも日本語に対応しています。

2,000+ 声

声の種類

Googleの発表の数字。開発者向けの更新履歴では「150以上」と書かれていて、数え方に幅があります。

約1.4 セント／分

1分しゃべらせて

Flash TTS の出力料金から計算（2026年12月31日まで）。無料枠もあります。

表現力の看板モデル

🎭 Gemini 3.8 Flash TTS

モデル名 gemini-3.8-flash-tts
演技力・声の細やかさを重視
130言語、方言や長い朗読にも強い
ナレーション・物語・動画向き

速さと安さの働き者

⚡ Gemini 3.8 Flash-Lite TTS

モデル名 gemini-3.8-flash-lite-tts
速い・安い。3.1 Flash TTS の置き換え役
101言語
音声エージェント・読み上げ・大量処理向き

評判は、上々のすべり出し。

Googleは、Hume AI の「声のデザイン」のベンチマークで 1位（71.4） だったと発表しています。第三者の Artificial Analysis でも、発音の正確さで 89.5%の1位 と報じられました（2026年9月23日時点）。人が聞き比べる評価では、日本語 を含む主要な言語で上位に入った、ともGoogleは書いています。ただし前の2つはGoogle側の発表なので、順位は自分の耳で確かめるのがいちばんです。

Chapter 2

声の選び方は 4段階

「用意された声から選ぶ」から「自分で声を作る」まで、4つの段があります。いちばん手軽なのは①、今回いちばん新しいのは③です。

プリセットの30種

名前を指定するだけ

Kore（きっぱり）、Puck（元気）、Leda（若々しい）、Erinome（クリア）など、性格の説明つきの30種。まずはここから。

ボイスライブラリ

言語・性別・高さで探す

もっと大きな声の棚。言語や性別、声の高さ、キャラクター性で絞り込んで探せます。

ボイスデザイン

文章で説明して声を作る

「30代の、はきはきしたスポーツ実況の女性」のように説明すると、新しい声を作って保存できます。作った声はIDで何度でも呼べるので、キャラの声がぶれません。

ボイス複製

本人の同意が条件

10〜30秒の録音から、その人の声を再現します。同じ人が読んだ同意の文章の録音が必須で、他人の声を勝手に使うことはできないしくみです。

Chapter 3

演技は「style」とタグでつける

同じ声でも、指示しだいで、元気にも、ひそひそ声にも、真剣にもなります。指示の書き場所は3つです。

🎭

話し方は「style」に

「ひそひそ声で」「少し真剣に」「ゆっくり説明するように」など、そのセリフ全体の話し方。セリフ本文とは別の欄に書きます。日本語で書いても使えます（この特集の動画も日本語で指示しました）。

😆

一瞬の音は「タグ」で

<laugh>（笑う）、<sigh>（ため息）、<short pause>（ひと呼吸）などを本文の中に入れます。日本語の台本でも、タグは英語のまま書くのが決まりです。

👭

2人の掛け合い

話し手を2人まで決めて、1回で会話を作れます。セリフごとにどちらが話すかを必ず書くのが3.8のルールです（プリセットの声のみ）。

🔠

強調は大文字で

英語の台本なら、強く言いたい単語を大文字で書くと強調されます。

Casting

動画のじぇみちゃんの声

gemini-3.8-flash-tts 声 Erinome（クリア）全17セリフ

上の動画は、プリセットの声 Erinome に、次の話し方の指示を組み合わせて作りました。ひそひそ声や、得意げ、お別れのあいさつなど、場面ごとに指示を少しずつ足しています。

🎀 ふだんの話し方

「とびきり可愛く、甘くてキラキラした声で、明るく元気に、はずむように、少し早口で」

🤫 ひそひそ話の場面

「ひそひそ声で、内緒話のように、とびきり可愛く」——声はかなり小さくなるので、動画では音量を少し上げています。

Chapter 4

3.1から、ここが変わった

前のモデルで作った台本やプログラムは、そのままでは期待どおりに動かないことがあります。

3.1 Flash TTS まで

📝 指示も台本に混ぜられた

「明るく言って：」を本文の頭に書けた
長い「演出メモ」で声の性格を指示
返ってくるのはヘッダーなしの生データ
generateContent という書き方

3.8 Flash TTS から

🎯 台本は「書いた通りに読む」

本文の指示はそのまま読まれる。指示は style 欄へ
声の性格はボイスデザインで先に作る
WAVファイルで返ってくる（24kHz・モノラル）
新しい Interactions API で呼ぶ

Chapter 5

使ってみよう：ブラウザでも、コードでも

試すだけならブラウザで十分。自分のアプリや動画づくりに組み込むならAPIです。

STEP 1 🌐

Google AI Studio を開く

音声生成のページ（aistudio.google.com/generate-speech）を開きます。Googleアカウントがあれば、無料枠で試せます。

STEP 2 🎤

声を選ぶか、作る

プリセットやボイスライブラリから選ぶか、ボイスデザインで文章から声を作ります。

STEP 3 ▶️

台本を入れて再生

台本と話し方を入れて再生。気に入った声は voice_… のID をコピーすれば、APIからも同じ声で呼べます。

API

APIは「文章・話し方・声」の3点セット

Gemini API のキーを AI Studio で発行し、読み上げる文章、話し方（style）、声の名前（または voice_… のID） を送るだけです。返ってきた音声は base64 という文字の形なので、元に戻して .wav として保存します。

ターミナルから1回だけ試す（curl）

① キーを入れておく（AI Studio で発行したもの）

$ export GEMINI_API_KEY="あなたのキー"

② 文章・話し方・声を送って、out.wav に保存（jq が必要）

curl -X POST "https://generativelanguage.googleapis.com/v1beta/interactions" \
  -H "x-goog-api-key: $GEMINI_API_KEY" -H "Content-Type: application/json" \
  -d '{"model":"gemini-3.8-flash-tts","input":[{"type":"user_input","content":[{"type":"text","text":"やっほー！じぇみちゃんだよ。","annotations":[{"type":"speech_metadata","style":"明るく元気に"}]}]}],"response_format":{"type":"audio"},"generation_config":{"speech_config":[{"voice":"Erinome"}]}}' \
  | jq -r '[.steps[] | select(.type=="model_output") | .content[] | select(.type=="audio")] | last | .data' \
  | base64 --decode > out.wav

✓ out.wav に、じぇみちゃんの声が保存される

※ 書き方は Gemini API 公式ドキュメント（ai.google.dev）にもとづく2026年9月26日時点のものです。
キーは人に見せないでください。ページやプログラムに直接書き込まず、環境変数などで渡すのが安全です。

Python で使う（google-genai 2.25.0 以上）

ライブラリを入れる

$ pip install -U google-genai

tts.py として保存して実行

import base64
from google import genai

client = genai.Client()
res = client.interactions.create(
    model="gemini-3.8-flash-tts",
    input=[{"type": "user_input", "content": [{
        "type": "text", "text": "やっほー！じぇみちゃんだよ。",
        "annotations": [{"type": "speech_metadata", "style": "明るく元気に"}],
    }]}],
    response_format={"type": "audio"},
    generation_config={"speech_config": [{"voice": "Erinome"}]},
)
with open("out.wav", "wb") as f:
    f.write(base64.b64decode(res.output_audio.data))

※ 3.1以前の解説記事にある generate_content ＋ WAVヘッダーを自分で付ける書き方とは別物です。古いコードは、そのままでは使えません。

Chapter 6

お値段は年内は割引価格

料金は「100万トークンあたり何ドル」。音声は 1秒＝25トークン なので、1分の音声は1,500トークンです。いまの値段は 2026年12月31日まで の価格で、2027年1月1日から2倍になります。

モデル	入力（文章）	出力（音声）	ひとこと
3.8 Flash TTS 表現力の看板	$0.50	$9	1分で約1.4セント。2027年からは $1 ／ $18。
3.8 Flash-Lite TTS 速さと安さ	$0.50	$6	1分で約0.9セント。2027年からは $1 ／ $12。
バッチ（まとめて処理）急がない仕事	半額	半額	Flash TTS なら $0.25 ／ $4.50。
3.1 Flash TTS 前のプレビュー版	$1	$20	新しい 3.8 のほうが、年内はずっと安い。

※ 価格は Gemini API の公式料金ページにもとづく2026年9月26日時点のもので、すべて100万トークンあたり。
無料枠もありますが、無料枠で送った内容は Google のサービス改善に使われます（有料枠では使われません）。

Chapter 7

使う前に、知っておきたいこと

⚠️ 気をつけたい5つ

声の複製は、本人の同意が必須。同じ大人の話し手が、決められた同意の文章を読んだ録音が要ります。録音する機材が違うと、同じ人だと認めてもらえないことがあります。
作った音声には「電子透かし」が入る。GoogleのGemini Audioの音声には、AIが作った印の SynthID が入ります。聞いても分かりませんが、あとから見分けられるしくみです。
1回で掛け合いできるのは2人まで。しかもプリセットの声だけ。自分で作った声どうしで会話させたいときは、1人ずつ作ってつなぎます。
会社向けのGoogle Cloud（Vertex AI）では、まだ使えない。2026年9月26日時点で使えるのは、Gemini API と AI Studio。Gemini Enterprise は「近日対応」とされています。
台本の書き方が変わった。前のモデル向けに「明るく言って：」と本文に書いた台本は、その指示まで読まれてしまいます。指示は style 欄へ移しましょう。

Choose → Direct → Design

放送部の部長に、ほんとうのマイクが届いた。

声を選び、演技をつけ、足りなければ文章で新しい声を作る。これまで録音スタジオと声優さんが必要だった仕事の入口が、台本を書ける人なら誰でも 立てる場所まで下りてきました。台本さえ書ければ、声はあとからついてくる。放送部の部長は、その入口に立つための道具を、みんなに配りはじめたところです。まずは AI Studio で、好きな声を1つ見つけるところから。