Googleは2026年4月15日、音声合成モデルの新バージョン「Gemini 3.1 Flash TTS」を発表した。Artificial Analysis TTSリーダーボードでElo 1,211を達成し、高品質と低コストを両立した「最も自然で表現力豊かなモデル」として位置付けられている。
最大の強化点は「オーディオタグ」によるきめ細かな音声制御だ。テキストに自然言語の指示を埋め込むことで、ペース・口調・アクセント・キャラクターの話し方を細かく指定できる。場面設定を定義するシーン指示、話者ごとに個性を割り当てるスピーカー設定、設定内容をGemini APIコードとしてエクスポートする機能が揃っており、オーディオブックやナレーション、ゲームキャラクター音声など複数スピーカーを要するコンテンツ制作に向いている。
対応言語は70言語以上で、ローカライズされた自然な発話表現を各市場で実現する。生成された音声にはGoogleのデジタル透かし技術「SynthID」が自動的に埋め込まれ、AI生成であることを事後に検証できる。Google AI Studio、Vertex AI、Google Vidsで利用可能だ。
音声合成の品質競争はElevenLabsやOpenAIのTTS製品との比較で論じられることが多い分野だが、Googleは多言語対応とエンタープライズ向けAPIの充実という方向性で差別化を図っている。SynthIDの組み込みによる透明性確保も、企業利用での信頼構築に働く。
