Gemini 3.8 Flash TTSとは？料金・日本語・API仕様を解説

Gemini 3.8 Flash TTSの要点

Gemini 3.8 TTSは、テキストを音声へ変換するGoogleの新しいAPIモデルです。高い表現力を優先するFlashと、高スループット・低遅延・低価格を優先するFlash-Liteの2種類があります。通常のGemini 3.8 Flashやリアルタイム対話用のGemini 3.8 Liveとは別モデルで、入力はテキスト、出力は音声です。

今回の特徴は、既成音声を選ぶだけでなく、役柄、アクセント、声の特徴を文章で指定して声を設計できることです。台詞ごとに話者と演技スタイルを構造化して渡し、笑い、ため息、短い間などをインラインタグで追加できます。長文ナレーション、複数話者の台本、読み上げ、音声エージェントの後段など、用途によって2モデルを使い分けます。

料金は2027年1月1日に標準単価が2倍になる予定です。公開時の安い単価を恒久価格として予算化せず、生成秒数、再生成率、BatchやFlexへ移せる割合を含めて原価を見積もる必要があります。

この節の一次情報：Google公式発表（2026年9月23日） ／ Gemini APIモデル仕様

開発元と2モデルの位置づけ

開発元はGoogleのGemini Audioチームです。Flash TTSはスタジオ品質のナレーション、地域アクセント、演技の細かな制御、長い会話での話者一貫性を重視します。Flash-Lite TTSは日常的な1話者の読み上げ、音声エージェントのカスケード構成、高頻度の生成を対象にします。両者は同じAPIスキーマを使うため、品質基準と予算に応じてモデルIDを切り替えやすい設計です。

GoogleはGemini NotebookにFlash TTS、Google VidsにFlash-Lite TTSを組み込み、Figma、HeyGen、Agora、LiveKitなどの企業・開発基盤との連携も発表しました。ただし、これらはGoogleが紹介した採用・提携例です。各社が本番で得た品質、遅延、費用の詳細まで独立に公開されたわけではありません。

この節の一次情報：Google公式｜提供先とパートナー

従来のGemini TTSとの違い

従来のGemini 3.1 Flash TTS Previewは、制御可能な音声生成を1つのモデルで担っていました。3.8世代では、表現力重視と大量処理重視を分離し、移行先としてFlash-Liteが明示されています。2026年末までの標準音声出力単価は、3.1の20ドルからFlashで9ドル、Flash-Liteで6ドルへ下がります。単純比較では55%減と70%減です。

API形式にも変更があります。3.8では入力テキストを原則そのまま読む台本として扱い、継続的な話し方はspeech_metadataのstyleへ、話者名はspeakerへ指定します。笑い、ため息、咳、息継ぎ、短い間のような瞬間的な音だけを本文内のタグで示します。旧方式の『明るく言って：こんにちは』をそのまま送ると、指示文まで読まれる可能性があります。

単発リクエストの既定出力も、ヘッダーなしPCMからWAVへ変わりました。従来コードがPCMへWAVヘッダーを付けていた場合は、その処理を外す必要があります。raw PCM、mu-law、A-lawが必要ならresponse_formatを明示します。

この節の一次情報：Google公式｜移行ガイド ／ Google公式料金表

API料金：2026年末までと2027年以降で変わる

2026年9月24日時点のGemini Developer API料金は、標準処理のテキスト入力が両モデルとも100万トークン当たり0.50ドル、音声出力がFlash 9ドル、Flash-Lite 6ドルです。音声は1秒当たり25トークンとして換算されるため、出力だけの理論値はFlashが1分約0.0135ドル、Flash-Liteが約0.009ドルです。台本入力の費用は別途加わります。

BatchとFlexは標準の半額で、Flashの音声出力4.50ドル、Flash-Liteは3ドルです。即時応答が不要な教材、ニュース音声、カタログ、アクセシビリティ用読み上げなどは、非同期処理へ移すと費用を下げられます。Priorityは標準の1.8倍で、優先処理の価値が追加費用を上回る場合に限って使います。

導入価格は2026年12月31日までです。2027年1月1日から標準のテキスト入力は1ドル、音声出力はFlash 18ドル、Flash-Lite 12ドルへ上がる予定です。現在の単価で採算が合うサービスでも、翌年価格を入れた感度分析が必要です。

この節の一次情報：Gemini Developer API料金表（2026年9月24日確認）

1分当たりの費用と実測値の読み方

公式の25音声トークン／秒を使うと、10時間の音声出力はStandardでFlash約8.10ドル、Flash-Lite約5.40ドル、BatchまたはFlexならそれぞれ約4.05ドル、2.70ドルです。これは出力音声だけの仮定試算で、テキスト入力、再生成、保存、配信、音声認識、LLM、通話基盤の費用を含みません。

開発者Simon Willison氏は、Flash TTSで1分18秒の2人会話を約20秒で生成し、費用は2.74セントだったと報告しました。単純換算では実音声1分当たり約2.11セントで、公式の音声トークン換算による理論値より高く見えます。入力や実際の請求トークンなど内訳が公開されていないため、差の理由は断定できません。少なくとも、理論単価だけでなくusage情報と請求明細を実測する必要があります。

この節の一次情報：Simon Willison｜Gemini 3.8 TTS Playground ／ Google公式料金表

音声設計・複製・複数話者の仕組み

音声設計では、役割、年代感、声域、アクセント、話し方などを自然言語で記述し、再利用できる音声IDを作ります。Flash TTSは130言語に対応し、日本語も明記されています。既成の拡張音声ライブラリもAPIから取得でき、Simon Willison氏の公開プレイグラウンドでは公開当日に2,089音声が読み込まれました。これは同氏のツールが取得した時点の件数で、恒久的な公式上限ではありません。

音声複製は約30秒の権利を持つ参照音声から声を作る機能です。Googleは、参照話者本人の音声による同意録音を照合する仕組みを使うと説明しています。生成音声にはSynthIDの電子透かしが埋め込まれます。ただし、同意確認や透かしが、各国の肖像・パブリシティー・個人情報・労務上の要件を自動的に満たすわけではありません。

複数話者では、各ターンにspeakerとstyleを付け、1つの台本から2人の会話を生成できます。自然な相づちや演技は作りやすくなりますが、台本そのものを考えるモデルではありません。内容生成、事実確認、TTS、配信を別工程として監視した方が、誤りと費用の原因を切り分けやすくなります。

この節の一次情報：Google公式｜音声設計・複製・安全対策 ／ Gemini APIモデル仕様

独立評価：日本語品質と速度はどう見られているか

独立評価サービスArtificial Analysisは、Flash TTSを発音堅牢性で1位の89.5%、Provider Voice Arenaで2位のElo 1,263と報告しました。Flash-Liteは同Arenaで6位の1,236です。日本語の比較ではFlash-Liteが1位、Flashが2位とされています。Google自身のベンチマークではなく、外部サービスの公開評価として参考にできます。

同社の測定では、Flashが毎秒44.1文字、Flash-Liteが40.2文字を処理し、実時間の約2.7倍、2.4倍の速度でした。文字数換算の推定価格は100万文字当たり32.98ドルと22.07ドルです。音声トークン単価とは単位が異なるため、そのまま公式請求額へ置き換えないでください。台本、言語、音声長、プロバイダー経路で結果は変わります。

品質順位は公開直後のスナップショットです。声質、演技、固有名詞、方言、長文安定性のどれを重視するかで最適モデルは変わります。日本語の住所、社名、英数字、専門用語を含む自社台本で評価し、発音修正にかかる人手も原価へ含めます。

この節の一次情報：Artificial Analysis｜公開直後の独立評価 ／ Artificial Analysis｜TTS比較

海外で注目されている根拠

Hacker NewsではGoogleの発表から約7時間で222点、113コメントに達しました。自然言語による音声設計、声の複製、価格、音声俳優への影響、安全対策が議論されています。公式発表の転載だけでなく、開発者がAPIを試し、プレイグラウンドや実際の音声を公開し始めています。

Simon Willison氏は公開当日にAPIを直接呼び出すプレイグラウンドを作り、2話者の会話、生成時間、費用を公開しました。Artificial Analysisも同日に速度・価格・日本語を含む独立評価を掲載しました。日本語で製品名と料金を検索した2026年9月24日朝の時点では、公式ページ以外にAPI料金、2027年の値上げ、移行上の変更まで扱う詳しい記事はほぼ確認できませんでした。

この節の一次情報：Hacker News｜Gemini 3.8 text-to-speech ／ Simon Willisonの初期検証 ／ Artificial Analysisの独立評価

導入に向くケース・向かないケース

Flash TTSは、表現や話者一貫性が成果に直結するオーディオブック、ゲーム、作品ナレーション、複雑な2人会話、難しい固有名詞・方言の読み上げに向きます。Flash-Liteは、ニュース、記事読み上げ、教材、電話・音声エージェントの返答、商品説明など、生成量と応答速度を重視する処理に向きます。

一方、会話相手の発話を理解して即時に返す音声対話全体をTTSだけで完結させる用途には向きません。音声認識、LLM、TTSを組み合わせるか、低遅延の音声対音声モデルを検討します。また、権利関係を確認できない人物の声の複製、生成音声であることを隠す運用、人手確認なしの緊急・医療・金融案内には適しません。

• Flash向き：長文作品、複雑な演技、地域アクセント、複数話者
• Flash-Lite向き：大量読み上げ、音声UI、反復生成、低コスト重視
• Batch / Flex向き：公開予約できる音声、教材、カタログ、アクセシビリティ対応
• 別モデルも検討：音声入力から即時応答までを一体化するリアルタイム会話
• 向かない：同意・利用権を確認できない声の複製
• 向かない：発音評価や再生成率を測らず、価格だけで全量移行する運用

導入前に測る7項目

移行テストでは、同じ台本を旧モデル、Flash、Flash-Liteで生成し、ブラインド評価します。生成単価だけでなく、直しが不要な完成音声1分当たりの総原価で比較すると、安いモデルの再生成や編集作業を見落としません。

• 生成音声の秒数と実際の音声出力トークン
• API応答時間、実時間倍率、最初の音声が届くまでの時間
• 固有名詞・数字・英単語・日本語アクセントの誤り率
• 話者の一貫性、長文での声質変化、2人会話の混線
• 再生成率と、人手による編集・検品時間
• Standard、Batch、Flexへ振り分けられる比率
• 2027年単価、配信・保存・通話基盤まで含む完成1分当たり原価

制約・未検証事項

公開から1日以内のため、混雑時の遅延、長時間の連続生成、音声IDの長期安定性、レート制限、日本語業務での独立した大規模評価は十分に検証されていません。Googleが示すHume AIやVoice Arenaの順位も、評価セットと時点に依存します。

FlashとFlash-Liteの品質差を、料金差だけから推定することはできません。外部ベンチマークでは日本語でLiteが上位ですが、演技や方言、長文、複雑な2話者ではFlashが適する可能性があります。また、Googleは長時間の安定性を訴求していますが、『何時間でも同一品質』を保証する仕様ではありません。

料金、対応言語、音声ライブラリ、Voice design・Voice replicationの提供地域や利用条件は変更される可能性があります。本記事の数値は2026年9月24日に公式資料で確認しました。個人の声を扱う場合は、Googleの同意確認に加え、契約、プライバシー、表示義務、利用国の法令を確認してください。

FAQ

Q. Gemini 3.8 Flash TTSとFlash-Lite TTSの違いは？　A. Flashは声質、演技、方言、長文・複数話者を重視し、Liteは大量処理、低遅延、低価格を重視します。API形式は共通です。

Q. 日本語に対応していますか？　A. 対応しています。公式仕様ではFlashが130言語、Liteが101言語をサポートし、日本語も明記されています。固有名詞は自社台本で確認してください。

Q. 1分の音声はいくらですか？　A. 公式の25音声トークン／秒で計算すると、2026年末までのStandard出力はFlash約0.0135ドル、Lite約0.009ドルです。入力、再生成、他の基盤費用は別です。

Q. 無料枠はありますか？　A. 公式料金表にはStandardの無料枠が記載されていますが、無料枠の利用データは製品改善に使われる設定です。有料枠は『No』と記載されています。最新条件を確認してください。

Q. Batch APIを使えますか？　A. 両モデルともBatchに対応し、2026年末までの料金はStandardの半額です。即時応答が不要な音声生成に向きます。

Q. リアルタイム音声エージェントにそのまま使えますか？　A. TTSとしてカスケード構成の後段に使えますが、モデル仕様ではLive API非対応です。音声対音声の低遅延対話はGemini Live系と比較してください。

Q. 人の声を複製できますか？　A. 対応していますが、Googleは声の所有者による同意録音を求めます。技術的に生成できることと、法的・契約上利用できることは別です。

Q. 2027年も同じ料金ですか？　A. いいえ。公式料金表では2027年1月1日からStandard料金が2倍になる予定です。