概要
Googleが表現力豊かな次世代音声生成モデル「Gemini 3.8 Flash TTS」および「Flash-Lite TTS」を発表。自然言語によるカスタムボイスの作成や、感情・間を細かく制御するライン単位の演出、音声複製などが可能になった。
詳細内容
Googleは、Geminiシリーズの新たな音声生成モデル「Gemini 3.8 Flash TTS」と「Gemini 3.8 Flash-Lite TTS」を発表しました。従来の固定的なプリセット音声とは異なり、自然言語のプロンプトから独自のキャラクターボイスを作成できる「Generative Voice Design」を搭載しています。主な特徴は以下の通りです。1. 高度な演出制御：台本にト書きを加えるように、感情の起伏、話速、方言、さらには「ため息」や「笑い」といった非言語的な音声をライン単位で詳細に制御できます。2. 音声複製と安全性：わずか30秒のサンプルから音声を複製可能。悪用防止のため、本人同意の確認やSynthIDによる不可視のウォーターマーク付与、C2PAへの対応がなされています。3. マルチスピーカー対応：1つのスクリプトから2人による対話シーンを自然なターン制で生成できます。Flashモデルは深い演出が必要なクリエイティブ用途、Flash-Liteは大量の吹き替えやリアルタイム対話エージェントに最適化されています。