Gemini 3.8 TTS、ゼロから無限の声を作り出す
Gemini 3.8 text-to-speech says hello
GoogleがGemini 3.8 Flash TTSとFlash-Lite TTSを発表。自然言語プロンプトでキャラクターの声をゼロから生成でき、100言語以上に対応。30秒の音声サンプルから声を複製する機能も備え、SynthID透かしと同意確認で安全性を確保。Hume AIの音声設計ベンチマークで総合1位を獲得し、ポッドキャストやオーディオブック、多言語吹き替えなど幅広い用途に対応する。
今日、私たちはGeminiファミリーに2つの新しいテキスト読み上げモデルを導入し、音声生成を静的なプリセットから動的なクリエイティブスタジオへと変革します。
HNでの議論
146- rcr-anti
GoogleのAIリリースでいつも気になること：彼らが持つconsumer、prosumer、cloudという3つのプラットフォーム間で足並みが揃っていない。今回のリリースも含め、どのリリースでも最後までスクロールすると、利用可能な範囲がそれぞれ違う。面白いのは、プラットフォーム間でモデルの能力すら同じじゃないこと！Omni Flashは、最後に試してドキュメントを読んだ限りでは、consumerとprosumerでは動画とテキストの出力ができるけど、GCPでは動画出力のみ。だから、うちの組織みたいにconsumerとprosumerを無効化していると、新しいイケてるモデルが使えるかどうか、そして何ができるかは、コイントス次第なんだ。
- simonw
> 音声複製：自分の声、または使用権を持つ声の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。組み込みの同意確認、SynthIDウォーターマーク、C2PAクレデンシャルによって、開発者とその声のタレントの両方を保護します。
他のプロバイダーから音声クローニングが十分に広く利用可能になった今、Googleももう出し惜しみしなくなったということか。
- thangalin
これが私のEmotive Audiobook Creator、KeenLoreの動画です。ローカルでホストされるウェブアプリです：
https://www.youtube.com/watch?v=WAeHgE94rVo
クラウドもトークン課金もなし。本をキャラクター総出演で読み上げます。引用の帰属検出（私の小説の場合）は97.2%の精度（499件の引用のうち485件を正しく特定・割り当て）。キャラクターの声の説明の自動入力は、散文からそのキャラクターがどんな声かを判断します。
散文の分析（声の補完、引用検出）にはGemma 4[1]、音声サンプルの作成にはQwen3 TTS Voice Design[2]を採用。8GBのNVIDIA T1000 GPUカード、96 GB RAM、AMD Ryzen 5 7600で動作します。
[1]: https://deepmind.google/models/gemma/gemma-4/
[2]: https://huggingface.co/spaces/Qwen/Qwen3-TTS-Voice-Design
- Multicomp
私は自分で拡張された白日夢のStar Trekファンフィクションを監督している（そう、シーズン2のエピソード17だ）。最近、各シーンのファイルをオーディオブックやラジオドラマのように読み上げさせられないかと考えた。
GPT-Liveに十分にユニークな声を持たせ、頭の中で想像する声の演技を表現させるのは、指示するのが難しい。コントロールが足りない。
だから、このGemini 3.8特有の大規模な声ライブラリと、（スクリプトを書く気があれば）きめ細かくコントロールできる能力は、見つかって嬉しい。5,286あるGemini製品のどれなのか、どうやってオンボーディングして自分のテキストファイルを食わせ始めるのか、もし使ったとして自分のデータにどんなトレーニングが行われるのかは分からないけど、業界の状況がこうなっていてGoogleがこれを公開リリースできるのは素晴らしい。というのも、いずれ誰かが同等の製品を出して、ローカルで使えたり、生成された音声や入力が保持されて悪用されないと確信できるようになるからね。
- seemaze
TTSの主な用途は、書かれたコンテンツ（ブログ、記事など）を外出先で聴けるクリップに変換することです。
柔軟なTTSバックエンドでこれをやってくれる良いブラウザ拡張はありますか？Qwen、Kokoro、VibeVoiceはどれもそこそこの品質があるのは知っていますが。
- accountrequired
「声を作成する前に、ユーザーは声の所有者から参照話者と一致する口頭の同意録音を提供する必要があります」
これはどのくらい保存されるんだ？何が問題になりうる？ :P
- dangoodmanUT
「Monologue」のデモ（中世のビデオゲームの例の次、2番目のビデオ）では、`<chuckles>`や`<laughing>`といった声のキューを明らかに無視している…
- nater5000
AI StudioでVoice Designを使って声を生成しようとするとエラーが出ます。それに、私の地域では音声複製が利用できないとも言われます。
英語に「中性の性別」の声がないのも変です。「ユースケース」も限られていて、例えば「Gaming」のユースケースは空っぽ？
それに価格がどこにも記載されていません。
何というか、彼らのロールアウトは少し雑なんだろうな。ただ、利用可能な声がどれも一般的なGeminiの声に聞こえるのはちょっと残念です。これといって特に面白いとか印象的だとかいうものがない。