文章から声を設計することと、実在する人の声を再現することは、似た操作に見えても必要な確認が違う。Googleが9月23日に発表したGemini 3.8 Flash TTSとFlash-Lite TTSは、この違いを機能と手順に分けている。
イノベトピアの記事を基に、Googleの発表と声の複製の公式仕様を確認した。本稿は公開資料による解説で、Gemini APIによる音声生成や複製は実施していない。
台本を読むモデルと、対話するモデルを分ける
Flash TTSは、ナレーションや朗読、キャラクターの台詞など、用意された本文を音声にする用途のモデルだ。Flash-Lite TTSは、大量処理とコスト効率を重視する。音声で相手の質問を聞き、その場で回答を考えるLive系とは、任せる工程が異なる。
声の作り方には、特徴を文章で指定して新しい声を作るVoice Designと、録音に含まれる人物の特徴を再現するVoice Replicationがある。前者では声質や話し方を設計し、後者では実在する話者の声を扱う。制作の目的に応じて、最初にどちらが必要かを決めたい。
台本と演技の指定も分けられる。読み上げる言葉を本文に置き、話し方は別の指示として渡す設計だ。制作現場では、指示のつもりで書いた言葉が音声に混ざらないよう、本文と演出を管理する必要がある。笑いや間のタグを使う場合も、公式の表記と実際の読みを照合したい。
複製には、同じ成人による二つの録音が必要
公式資料では、声を複製する要求に、同じ成人話者の参照音声と同意音声を求める。参照は自然な話し声を含む10〜30秒の録音で、同意用には所定の文を本人が読む。第三者の公開動画を見つけただけでは、この要件を満たさない。
同意文を読んだ人と参照音声の話者が一致するかを確認する工程が、複製の入口になる。一般的な利用規約への同意と、声の持ち主が複製へ同意することを分けた仕組みと言える。
ただし、その確認が通ったことだけで、あらゆる利用目的の許可まで得たと扱うべきではない。広告、教材、継続するキャラクターなど、使い方、公開先、利用期間、契約終了時の扱いは別に決める必要がある。以下の契約や運用に関する記述は、編集部の考察である。
出演者との間では、どの原稿を本人の声で生成してよいかを明確にするとよい。本人が言っていない内容が、本人の推薦や体験のように伝わる可能性があるためだ。原稿の確認、公開前の承認、修正や停止の連絡先を、声を作る段階で合わせておきたい。
保存の方式によって、管理するものが変わる
現在の公式資料は二つの保存方式を案内する。通常の方式では、検証済みの声をプロジェクトへ保存し、継続して指定できるIDを返す。保存型の声は、設計した声と複製した声を合わせて一プロジェクト200件、保持期間一年という説明だ。
もう一つは、サーバーへ声のプロファイルを永続保存しない方式で、暗号化されたキーを利用側で管理する。こちらの有効期間は七日とされる。同じ「声を保存する」という言い方でも、IDを参照する方式と、キーを自分で保持する方式では、期限と管理責任が違う。
連載で声を使い続ける場合、音声ファイルだけでなく、どの声をどの方式で作り、いつ期限が来るかを記録する必要がある。担当者が変わった後も声を使えると推定せず、契約と保存期間を確認したい。検証用の声と本番用の声を区別すると、誤った話者の公開を防ぎやすい。
透かしと利用地域は、別の条件
Googleは生成音声へSynthIDの透かしを付け、声の複製には来歴を示すC2PAの仕組みも用いると説明する。これらは生成された音声の判別や来歴の確認を助けるが、すべての視聴者が自動的に気付く表示とは限らない。公開する媒体でAI音声と分かる説明を置くことも検討したい。
元記事では、AI Studioの複製機能について、EEA、英国、スイス、インド、米国の一部州などの対象外地域を挙げている。日本はその一覧に含まれないが、日本からの全利用者が無条件で使えることを保証する説明ではない。地域、年齢、アカウント、契約の現在の条件を確認する必要がある。
地域制限の理由が公表されていない場合、特定の法律が原因だと断定することもできない。機能の提供条件と、国内での権利処理や情報管理は分けて判断すべきだ。
低価格は、対象期間と費用の範囲を添える
発表時のFlash TTSは、音声出力百万トークン当たり9ドル。音声一秒を25トークンと数える条件なら、一分の出力は0.0135ドルとなる。これは出力だけの計算で、入力や他の処理を含めた完成音声の総費用ではない。
さらに、その単価は2026年末までで、2027年からは18ドルになる案内だ。Flash-Liteも別の単価が設定される。公式料金表でモデル、期間、処理の種類を確認してから、継続案件の見積もりへ入れたい。
一度の音声が安くても、候補作成、読み直し、演技の修正を繰り返せば利用量は増える。実務では完成した尺だけでなく、採用までに生成した全音声の量を記録すると、予算を立てやすい。字幕や映像へ合わせる工程も別の負担になる。
評価の首位と、自分の原稿での使いやすさ
GoogleはHume AIの評価でFlash TTSが71.4を記録したと紹介している。イノベトピアは、両社の技術・人材上の関係と、Hume側が公表するブラインド評価の方法を併記し、順位の背景を説明した。関係があることだけで結果が無効とも、首位だからすべてに強いとも言えない。
長時間の安定性、若い声、音量の制御、声の複製は、異なる評価項目だ。日本語の制作では、固有名詞、数字、感情を抑えた説明、長い読み上げなど、実際に使う原稿をそろえて比べたい。音声の品質と、利用者が守る同意の手順は、両方を確認する必要がある。
声を自由に設計できることは、出演者の声を自由に使えることではない。原稿、声、同意、期限、公開先を結び付けて管理できるかが、継続利用の判断になる。
確認日：2026年10月19日。運営会社：RO合同会社の公式HP。
PR
Notta →
