Gemini speech generationは何ができるのか、Live APIとの違いは？
台本を読ませるTTS、会話するLive APIとの違い
Gemini speech generation と Live API の住み分け
Gemini speech generation(読み上げTTS)
- 台本を正確に読み上げる
- 決まった原稿の再現が価値
- ポッドキャスト収録の外注費を機械に置換
- 人件費が原稿の長さに比例する課題に対応
- 作った原稿を音源にしたい人向け
Live API
- リアルタイムの対話
- 音声で会話できる
- 会話したい人向け
室谷代表取締役音声まわりで最初に整理しておきたいのが、名前が似た機能が並んでる点なんですよね。Live APIはマイク越しのやり取り、こっちは台本を読ませるTTS。
用途がかなり違うんですよ。
用途がかなり違うんですよ。
テキトー教師DotAI 認定講師たしかに。初めて触る人が一番混ざるのがそこなんです。
「声が出るなら同じものでしょ」と思っちゃうんですよね。ポッドキャストを作りたいのか、その場で会話させたいのかで、選ぶものが変わります。
「声が出るなら同じものでしょ」と思っちゃうんですよね。ポッドキャストを作りたいのか、その場で会話させたいのかで、選ぶものが変わります。
室谷代表取締役これ、取り違えると設計から崩れるんですよ。会話用に作られたものへ長文の台本を読ませると読みの正確さで不満が出るし、逆も同じで。
ポッドキャストやオーディオブックのように「決まった原稿をきれいに読み切る」なら、読み上げ特化のほうが素直です。
ポッドキャストやオーディオブックのように「決まった原稿をきれいに読み切る」なら、読み上げ特化のほうが素直です。
テキトー教師DotAI 認定講師現場感覚でも同じで、ナレーション案件は原稿の正確さが命なんです。そこを期待して会話用のAPIを触って「思ったより読まないな」となるパターン、けっこう見かけます。
Gemini API側とGoogle Cloud側、名前が同じでも別製品
室谷代表取締役もう一つ厄介なのが、同じ「Gemini-TTS」という名前がGoogle CloudのText-to-Speechにもあることなんですよ。あれ、APIエンドポイントもドキュメントも課金アカウントも別なんです。
テキトー教師DotAI 認定講師そこまで分かれてるんですか。ドキュメント通りにやったのに動かない、の正体がそれだったり。
室谷代表取締役そうなんですよね。「Cloud側のほうが古い世代」みたいな説明をたまに見るんですけど、Cloud側の料金ページにも3.8系のプレビューが載ってるので、世代の差ではないんです。
違うのは製品・契約・ドキュメントのラインそのもの。企業で使うと請求先が分かれるので、最初に押さえないと後で揉めます。
違うのは製品・契約・ドキュメントのラインそのもの。企業で使うと請求先が分かれるので、最初に押さえないと後で揉めます。
テキトー教師DotAI 認定講師なるほど。個人で試すならAI Studio側、会社の既存契約に乗せるならCloud側、という分け方で考えると迷いにくいですね。
| Gemini API / AI Studio | Google Cloud Text-to-Speech | |
|---|---|---|
| 位置づけ | 開発者向け。AI Studioはブラウザで試せる | 企業向けAPI・Vertex AI |
| 契約と課金 | Gemini APIのFree / Paid階層 | Google Cloudの課金アカウント |
話者は1人か2人か、演技はどこで指定するか
室谷代表取締役できることの整理でいうと、単一話者と、最大2人の複数話者。掛け合いも作れるんですよね。
テキトー教師DotAI 認定講師「2人まで」が実務だと効いてきます。3人以上の掛け合いを想像して構成を考え始めると、後から組み立て直しになるので。
室谷代表取締役制御は2階建てなんですよ。ターン単位のメタデータでスタイルを指定して、細かい息遣いや間は本文中のタグで挟む。
台本を書く感覚に近いんですよね。
台本を書く感覚に近いんですよね。
テキトー教師DotAI 認定講師最初に戸惑うのがまさにそこなんです。「読ませる文章」と「演技の指示」を同じテキストに書く感覚に、慣れるまで少し時間がかかります。
慣れると逆に、台本を書くみたいで楽なんですけどね。
慣れると逆に、台本を書くみたいで楽なんですけどね。
モデルはどれを選ぶ？Flash TTSとFlash-Lite TTSの違い
演技重視なら3.8 Flash、量産ならFlash-Lite
室谷代表取締役まず現行のモデル、Gemini 3.8 Flash TTSとGemini 3.8 Flash-Lite TTSの2本なんですよね。ここで迷う人が多い印象です。
テキトー教師DotAI 認定講師現場でよく聞くのが「安いほうでいいですか」なんですよ。でも用途がかなり違ってて。
Flash TTSは演技とか掛け合い、方言みたいな難しい発音まで品質重視。Flash-Liteは大量処理と低レイテンシ、音声の複製向けの実務モデルなんです。
Flash TTSは演技とか掛け合い、方言みたいな難しい発音まで品質重視。Flash-Liteは大量処理と低レイテンシ、音声の複製向けの実務モデルなんです。
室谷代表取締役時給で換算すると分かりやすいんですよ。1本ずつ丁寧に作る案件ならFlash TTS、何百本も流すバッチならFlash-Lite。
工数の積み上げ方が違うので、単価だけで選ぶと後で作り直しになるんですよね。
工数の積み上げ方が違うので、単価だけで選ぶと後で作り直しになるんですよね。
テキトー教師DotAI 認定講師たしかに。最初に触る人は「同じ3.8だから中身も同じでしょ」と思い込んで、掛け合いを作ってから物足りなさに気づく、という順番でハマるんですよ。
旧世代のPreviewモデルとは何が違う？
テキトー教師DotAI 認定講師で、情報を探すと3.1 Flash TTS Previewとか2.5 Flash/Pro Preview TTSが出てくるんですよ。名前が似てて混乱するみたいで。
室谷代表取締役公式の料金ページに新旧が並んでる状態なので、これから作るなら3.8系、旧世代は比較用か既存実装の維持という整理でいいと思います。
テキトー教師DotAI 認定講師対応言語数も違うんですよ。3.8 Flash TTSが130以上、Flash-Lite TTSが100以上で、入力言語は自動検出。
旧モデルの数字と混ぜて読むとズレますからね。
旧モデルの数字と混ぜて読むとズレますからね。
室谷代表取締役あと「Gemini-TTS」で探すとGoogle CloudのText-to-Speechが出てくるんですけど、あれは別製品なんですよ。向こうの料金ページにも3.8 Flash TTSのプレビューが載ってますし、世代が古いわけじゃない。
契約もドキュメントも課金アカウントも別なので、そこを混ぜると事故るんですよね。
契約もドキュメントも課金アカウントも別なので、そこを混ぜると事故るんですよね。
8K入力・64K出力と、使える場所の違い
室谷代表取締役制限値も見ておきたいんですよね。入力トークンが8K、出力が64K。
長い台本を一気に読ませるというより、チャンク分割が前提の設計だと見てます。
長い台本を一気に読ませるというより、チャンク分割が前提の設計だと見てます。
テキトー教師DotAI 認定講師そこは盲点なんですよ。しかも使える場所がモデルで分かれてて、Gemini NotebookはFlash TTSのみ、Google VidsはFlash-Lite TTSのみ。
AI StudioとGemini APIはどちらも使えます。
AI StudioとGemini APIはどちらも使えます。
室谷代表取締役プロダクト側で選べるモデルが固定されてるのは地味に効きますよね。ツールを先に決めてから「この声が出ない」となるパターン、MYUUUの現場でも見かけたので。
テキトー教師DotAI 認定講師先に用途を決めて、そこからモデルと場所を逆算するのが一番早いですね。
Google AI Studioで最初の1本を作る手順
Google AI Studioで最初の1本を作る手順
- 01AI Studioを開くブラウザで Google AI Studio を開く（インストール不要、利用自体は無料）
- 02音声生成画面へ進むSpeech generation の画面に進む
- 03モデルを選ぶgemini-3.8-flash-tts または gemini-3.8-flash-lite-tts から選択
- 04声を選ぶプリビルトのスタジオボイス（30種類）から選ぶ
- 05原稿とスタイルプロンプトを入力読み上げたい原稿をテキスト欄に入れ、全体のトーンをスタイルプロンプトに書く（例:「落ち着いたドキュメンタリー風」）
- 06タグを差し込む文中に <laugh>、<sigh>、<short pause> などのタグを入れる
- 07生成を実行生成を実行する
- 08再生して確認ヘッダー付きWAV（24kHz・モノラル・16bit PCM）で返り、ブラウザで再生・ダウンロード可能。間の取り方とアクセントをまず10秒くらいで確認
ブラウザでAI Studioを開き、音声生成モデルを選ぶ
- ブラウザで Google AI Studio を開く（インストール作業は不要）
- 音声生成（TTS）の画面に進み、モデルを選ぶ。候補は Gemini 3.8 Flash TTS と Gemini 3.8 Flash-Lite TTS
- 声を選ぶ。最初はプリビルトのスタジオボイスから1つ選べば十分
室谷代表取締役まず敷居の話をすると、AI Studioはブラウザで開くだけで使えるんですよね。ローカルに何も入れなくていい。
音声を1本出すまでの準備がほぼゼロなんですよ。
音声を1本出すまでの準備がほぼゼロなんですよ。
テキトー教師DotAI 認定講師そこが大きいですね。初めて触る人は「APIキーを先に取るのか」と身構えるんですが、画面の中で試す分にはまず音が出ますから。
室谷代表取締役で、モデルが2つ並んでるので最初は品質寄りの Flash TTS を選べばいい。演技や難しい発音を重視する方なので、最初の1本はそっちで確認した方が判断しやすい。
テキトー教師DotAI 認定講師同感です。最初に軽い方で試して音がイメージと違うと、機能そのものの印象が悪くなっちゃう。
比較は後回しでいいと思います。
比較は後回しでいいと思います。
スタイルプロンプトとタグを書いて生成してみる
- テキスト欄に読み上げたい台本を書く
- 全体のトーンを決めるスタイルプロンプトを入れる（例：落ち着いたドキュメンタリー風）
- 間や笑いを入れたい箇所に
<short pause>や<laugh>を本文中にそのまま書く - 生成を実行する
テキトー教師DotAI 認定講師最初に戸惑うのがタグの書き方で、山かっこで囲むというのをまず覚えてください。囲み方を間違えると、記号ごと読まれてしまうことがあります。
室谷代表取締役あと、いきなりタグを盛りすぎるのもよくないんですよ。全部の行に
<sigh> を入れると、逆に不自然になる。テキトー教師DotAI 認定講師現場感覚で言うと、まずタグなしで1本作って、物足りない場所に足していく順番がうまくいきます。スタイルプロンプトも最初は一文で十分です。
室谷代表取締役スタイルプロンプトと、書いたテキストの言葉選びと、タグ。この3つが同じ方向を向いてないとズレる、というのは覚えておくといいと思います。
生成された音声を再生して確認する
- 生成結果をその場で再生する
- 返ってくる音声は WAV（24kHz・モノラル・16bit PCM）。必要ならダウンロードして他のツールで聴く
- 気になる箇所があればスタイルプロンプトやタグを直して再生成する
室谷代表取締役確認のポイントは、読み間違いと間の2つ。特に固有名詞と数字は一度通しで聴いた方がいい。
テキトー教師DotAI 認定講師あと、早送りで聴くと間の不自然さを見逃します。最初は等倍で1回通すのが結局は早いんですよ。
室谷代表取締役何度でも作り直せるので、1本目に時間をかけすぎないこと。試作のコストがほぼゼロなのが、この手のツールの一番ありがたいところなんですよね。
テキトー教師DotAI 認定講師そうですね。3本くらい作ると、自分の文章がどう読まれやすいかが掴めてきます。
感情やトーン、話すスピードはどう指定する？
スタイルプロンプト・テキスト内容・タグの3つを揃えるのが基本
室谷代表取締役感情の指定なんですけど、まず「落ち着いたドキュメンタリー風で」みたいなスタイルプロンプトを1行入れる。これだけでかなり雰囲気が変わるんですよね。
ただ、それ単体だと狙った通りにはならない。
ただ、それ単体だと狙った通りにはならない。
テキトー教師DotAI 認定講師現場でよく聞くのが「プロンプトに感情を書いたのに棒読みのまま」という相談なんですよ。実は3つ揃ってないと崩れます。
スタイルプロンプトと、読ませるテキストの言葉選びと、タグ。この3つです。
スタイルプロンプトと、読ませるテキストの言葉選びと、タグ。この3つです。
室谷代表取締役テキストが真逆だとプロンプトが勝てない、と。「楽しく」と言いながら悲しい文章を読ませるようなものですね。
音声まわりって、モデルの性能差より台本の作り方で差が出るんですよ。
音声まわりって、モデルの性能差より台本の作り方で差が出るんですよ。
テキトー教師DotAI 認定講師たしかに。嬉しい内容なら嬉しい言葉を選ぶ。
当たり前のことなんですけど、ここを飛ばしてプロンプトだけ凝る人が多いんです。文章を直すほうが、タグを足すより先なんですよね。
当たり前のことなんですけど、ここを飛ばしてプロンプトだけ凝る人が多いんです。文章を直すほうが、タグを足すより先なんですよね。
山かっこのインラインタグで、間や息継ぎを置く
室谷代表取締役タグの書き方は先に確認しておきたいところ。Gemini APIだと、インラインタグは山かっこで囲む形ですよね。
テキトー教師DotAI 認定講師はい。最初に戸惑うのがここで、角括弧で書いてしまう人が結構いるんですよ。
括弧の種類が違うだけでタグとして拾われず、そのまま読まれちゃいます。地味に時間を溶かすやつです。
括弧の種類が違うだけでタグとして拾われず、そのまま読まれちゃいます。地味に時間を溶かすやつです。
室谷代表取締役記号ひとつで挙動が変わるのは痛いですね。で、タグをたくさん入れれば芝居っぽくなるのかというと、そうでもない？
テキトー教師DotAI 認定講師過剰だと逆に不自然になります。息継ぎや笑いを入れたい場所に絞って、まず1本通して聴いてみる。
足りないところに足していくほうが、削るよりラクなんですよ。
足りないところに足していくほうが、削るよりラクなんですよ。
speech_metadataでターンごとに演技を指定する
室谷代表取締役もっと細かく、ターンごとに演技を変えたいときはどうするんです？
テキトー教師DotAI 認定講師speech_metadataのstyleに、そのターンの演技を書きます。全体は「落ち着いた語り」にしておいて、ここぞという1ターンだけ「少し速めに、興奮気味で」と上書きするイメージです。
速さもこの指定の中で調整できます。
速さもこの指定の中で調整できます。
室谷代表取締役台本全体が同じトーンだと単調になるので、ターンで割れるのは大きい。ナレーションだと章ごとに空気が変わりますからね。
テキトー教師DotAI 認定講師話す速さは、句読点の打ち方でも体感が変わります。タグで飛ばすより、文を短く切って読ませるほうが自然になることも多いんですよ。
複数話者の掛け合いと、声の選び方・複製はどうやる？
まとめ
複数話者の掛け合い・声の選び方・複製の要点
- speech_config.speakers に最大2人を設定し、各ターンに speech_metadata.speaker で話者を指定する
- プリビルト音声は2人まで。3人以上の会話劇は設計変更が必要
- 相槌は |oh hmm| のようにパイプで挟み、台本に位置まで書き込むと自然になる
- 声はまずプリビルト30種類で雰囲気を決め、不足分を Extended Voice Library（client.voices.list() で数百種類）から探す
- 声の作成は Voice design（説明文から生成）・Voice replication（参照音声から複製、同意音声も必要）・Voice remixing（既存の声を指示で調整）の3種
- 保存上限はプロジェクトあたり200件、保持は1年（使うたびリセット）、ストア無しの一時キーは7日
- カスタム音声で複数話者の会話を作る場合は話者ごとに個別生成して結合する
speech_configで最大2人を設定し、ターンごとに話者を割り当てる
- Google AI Studio で Speech generation を開く
- speech_config.speakers に話者を2人ぶん設定する
- 各ターンに speech_metadata.speaker を書いて、誰の発話かを指定する
- 生成を実行して音声を確認する
室谷代表取締役掛け合いを作るときの型、先に押さえておくと後が楽なんですよね。speakers に2人、そしてターンごとに誰が話すか。
構造としてはこれだけなんですよ。
構造としてはこれだけなんですよ。
テキトー教師DotAI 認定講師最初に戸惑うのがまさにそこなんですよ。「台本は1本なのに、どこで話し手が入れ替わるんだろう」となる。
ターン単位で持たせるんだと分かれば、一気に軽くなります。
ターン単位で持たせるんだと分かれば、一気に軽くなります。
室谷代表取締役プリビルト音声だと2人まで、という制約も先に知っておきたいですね。3人以上の会話劇を想定するなら、設計を変える必要が出てくる。
テキトー教師DotAI 認定講師そこ、台本を書き終わってから気づくと作り直しになるので、最初に決めておくのが吉ですね。
パイプで挟んだ相槌で自然な掛け合いにする
テキトー教師DotAI 認定講師掛け合いが機械っぽく聞こえる原因、だいたい相槌がないことなんですよ。相手の話に「うん」「へえ」が挟まるだけで、空気が一気に人間寄りになる。
室谷代表取締役それはパイプで挟む形でしたか。|oh hmm| のように書くと、その部分が発話として扱われるやつ。
テキトー教師DotAI 認定講師そうです。台詞の合間に置くだけなので、仕組みとしてはすごく単純なんですね。
ラジオの雑談を組み立てる感覚に近いです。
ラジオの雑談を組み立てる感覚に近いです。
室谷代表取締役構成を組む側からすると、相槌の位置まで台本に書き込む前提で考えたほうがよさそうだ。
30種類のプリビルト音声とExtended Voice Libraryの使い分け
室谷代表取締役声の選択肢、いくつか層が分かれてるんですよね。まずプリビルトの30種類のスタジオボイス。
テキトー教師DotAI 認定講師現場感覚で言うと、最初はその30種類で足りることが多いです。ナレーションなのか会話なのかを先に決めると、絞り込みがかなり楽になります。
室谷代表取締役ただ、言語やアクセントまで含めて探し始めると足りなくなる。そこで Extended Voice Library で、client.voices.list() から数百種類を引く、という役割分担になるわけですね。
テキトー教師DotAI 認定講師順番が大事で、まずプリビルトで雰囲気を決めて、足りない分だけ広げる。逆から入ると、選ぶだけで疲れてしまうんですよ。
Voice design・Voice replication・remixingと保存上限・保持期間
室谷代表取締役声を作る側も3つに分かれてましたね。Voice design が説明文から新しく作る、Voice replication が参照音声から複製する、Voice remixing が既存の声を指示で調整する。
テキトー教師DotAI 認定講師複製は参照音声と同意音声がセットで必要になるので、そこが最初の関門です。誰の声なのか、根拠が要るわけですね。
室谷代表取締役実務だとそこは法務チェックが入る話で。プロジェクトあたり200件まで、保持は1年で使うたびにリセット、ストア無しの一時キーは7日、という上限も運用設計に効いてきます。
テキトー教師DotAI 認定講師あと見落としやすいのが、カスタム音声で複数話者の会話を作る場合は、話者ごとに個別に生成して結合する必要がある点ですね。プリビルトのときと同じ感覚のままだと詰まります。
日本語は対応してる？出力形式とできないことも確認
130以上の言語に対応し、入力言語は自動検出
室谷代表取締役まず日本語、そのままいけるんですよね？
テキトー教師DotAI 認定講師いけます。対応言語はFlash TTSが130以上、Flash-Lite TTSが100以上で、日本語も主要言語に入ってます。
しかも入力言語は自動で検出されるので、言語コードを自分で指定する手間がないんですよ。
しかも入力言語は自動で検出されるので、言語コードを自分で指定する手間がないんですよ。
室谷代表取締役自動検出は地味に効きますね。多言語の案件だと、どの言語をどのモデルに投げるかで毎回つまずくので、そこが自動で吸収されるのは助かります。
テキトー教師DotAI 認定講師現場でも「日本語だと読みが崩れるんじゃないか」と身構える人が多いんですけど、ブラインドの人間評価では日本語スコアがFlash TTSで1232、Flash-Liteで1152、ElevenLabs v3が1048なので、日本語が弱いという印象は今は当たらないと思います。方言や難読漢字は別の論点ですけどね。
WAVで受け取るか、ヘッダーなしPCMをストリーミングするか
室谷代表取締役出力は結局ファイルで受け取れるんですか。保存と転送のコストが効いてくるので、そこは先に把握しておきたいんですよ。
テキトー教師DotAI 認定講師通常のリクエストは44バイトのRIFFヘッダー付きWAVで返ります。24kHz・モノラル・16bit PCMなので、そのまま保存して再生できます。
室谷代表取締役ストリーミングにすると何が変わるんです？
テキトー教師DotAI 認定講師ヘッダーなしの生PCM、audio/l16で24kHzのまま流れてきます。受け側でヘッダーを付けるか、そのまま再生系に渡すかを決める必要があるんですよ。
response_formatでmulaw・alawにも変えられるので、保存用かリアルタイム再生用かで選び分ける形ですね。
response_formatでmulaw・alawにも変えられるので、保存用かリアルタイム再生用かで選び分ける形ですね。
テキスト入力・音声出力のみ、カスタム音声の複数話者は個別生成して結合
室谷代表取締役できないことも先に整理しておきたいんですけど。
テキトー教師DotAI 認定講師TTSモデルはテキスト入力・音声出力のみで、画像なんかは渡せません。それとプリビルト音声での複数話者は最大2人までです。
室谷代表取締役カスタム音声を2人で掛け合わせたいときはどうなるんです？
テキトー教師DotAI 認定講師そこは制約があって、カスタム音声を使った掛け合いは各話者ごとに個別に生成して、あとで結合する形になります。台本を話者ごとに分けて書いて、最後に繋ぐ工程が1つ増えるんですよ。
最初に戸惑うのがまさにこの部分で、2人までなら1回で出せるのに…と思ってハマる人が多いですね。
最初に戸惑うのがまさにこの部分で、2人までなら1回で出せるのに…と思ってハマる人が多いですね。
料金は結局いくら？トークン単価で整理する
Gemini TTS モデル別 単価比較（100万トークンあたり）
| モデル | 入力(テキスト) | 出力(音声) |
|---|---|---|
| Gemini 3.8 Flash TTS | $0.50 | $9.00 |
| Gemini 3.8 Flash-Lite TTS | $0.50 | $6.00 |
| Gemini 2.5 Flash TTS | $0.50 | $10.00 |
| Gemini 2.5 Pro TTS | $1.00 | $20.00 |
音声1秒＝25トークンという換算の考え方
室谷代表取締役ここ、多くの記事が料金ページへのリンクだけで終わってるんですよね。で、肝心の「いくらかかるのか」が分からない。
まず押さえるべきは、音声が1秒あたり25トークンで数えられるという点なんですよ。
まず押さえるべきは、音声が1秒あたり25トークンで数えられるという点なんですよ。
テキトー教師DotAI 認定講師1分だと1,500トークンですね。テキストのトークン数とは別の数え方になるので、そこが最初に戸惑うところで。
文字数から逆算しようとして止まる人、けっこういます。
文字数から逆算しようとして止まる人、けっこういます。
室谷代表取締役入力はテキスト側のトークン、出力は音声側のトークンで、単価がまったく違う。だから「原稿は短いのに、尺が長いと高い」という構造になるんです。
テキトー教師DotAI 認定講師たしかに。秒数で見る発想に切り替えると、見積もりの感覚が合ってきますね。
モデル別の入力・出力単価と、2027年1月1日からの価格改定
室谷代表取締役数字を並べるとこうなります。これは同じGemini-TTSモデルを使うGoogle Cloud Text-to-Speechの料金表の単価です。
| モデル | 入力（100万テキストトークン） | 出力（100万音声トークン） |
|---|---|---|
| Gemini 3.8 Flash TTS | $0.50 | $9.00 |
| Gemini 3.8 Flash-Lite TTS | $0.50 | $6.00 |
| Gemini 2.5 Flash TTS | $0.50 | $10.00 |
| Gemini 2.5 Pro TTS | $1.00 | $20.00 |
テキトー教師DotAI 認定講師LiteとFlashで出力が$6.00と$9.00。品質を取るか量を取るかで、ここが分かれ目になるわけですね。
室谷代表取締役で、3.8系はプレビュー期間の価格で、2027年1月1日から入力が$1.00、出力はFlashが$18.00、Liteが$12.00に上がります。倍ですよ。
長く使う前提のプロダクトなら、この改定は先に織り込んでおかないと。
長く使う前提のプロダクトなら、この改定は先に織り込んでおかないと。
テキトー教師DotAI 認定講師出力側が倍になるのは大きいですね。単発の検証なら今のうちに、という話にもなりますし。
Google AI Studioは無料で使えるが、FreeとPaidで何が変わるか
テキトー教師DotAI 認定講師試すだけなら無料でいけますか。
室谷代表取締役AI Studioの利用自体は無料で、Freeティアは入出力トークンも無料。その代わり、コンテンツが品質改善に使われるという条件が付きます。
テキトー教師DotAI 認定講師業務の原稿をそのまま入れるなら、そこは判断ポイントになりますね。
室谷代表取締役Paidはレート上限が高くて、Batch APIを使うと50%減、コンテンツは品質改善に使われない。MYUUUの現場だと、外注ナレーションは1本ごとに費用と待ち時間が乗るので、常用するなら早めにPaidへ上げた方がいいという判断になります。
無料枠の細かい上限は公式のPricingページで確認してください。
無料枠の細かい上限は公式のPricingページで確認してください。
ElevenLabsやOpenAIと比べてどうなのか
Hume AIの品質ベンチマークで見る総合スコアの差
室谷代表取締役品質の話、数字で見た方が早いんですよね。Hume AIのText-to-Speech Quality Benchmarkというのがあって、総合信頼性と表現力を掛けた指標で、Gemini 3.8 Flash TTSが0.920、Flash-Lite TTSが0.914で1位・2位なんですよ。
テキトー教師DotAI 認定講師同じ土俵で並べると差が見えるやつですね。ElevenLabs v3が0.706、Cartesia Sonic 3.6が0.840、OpenAIのgpt-4o-mini-ttsが0.740、Inworld TTS-2が0.576でしたっけ。
室谷代表取締役そう、ここで面白いのが、音声専業の会社のほうがスコアで下に来てる点で。汎用モデルが専業の土俵に踏み込んでる構図なんですよ。
ただ、この種のベンチマークは「総合点」であって、作品の質感まで測ってるわけじゃない・・・
ただ、この種のベンチマークは「総合点」であって、作品の質感まで測ってるわけじゃない・・・
テキトー教師DotAI 認定講師現場感覚で言うと、スコアが高い＝自分の用途に合う、ではないんですよね。ナレーションなのか掛け合いなのかで、見るべき項目が変わってきますから。
日本語スコアとVoice Design・アクセント対応の比較
室谷代表取締役日本語だとVoice Arenaのブラインド人間評価が分かりやすくて。Gemini 3.8 Flash TTSが1232、Flash-Lite TTSが1152、旧3.1 Flash TTSが1148、ElevenLabs v3が1048、OpenAIのgpt-4o-mini-ttsが975という並びです。
テキトー教師DotAI 認定講師数字だけ追うとGemini一強に見えますけど、Voice Design Benchmarkはかなり差が縮むんですよ。Gemini 3.8 Flash TTSが71.4、ElevenLabs Voice Design v3が70.8、Inworld Voice Designが69.8。
声そのものを作る機能では、ほぼ横並びなんですね。
声そのものを作る機能では、ほぼ横並びなんですね。
室谷代表取締役アクセント対応は開いてて、Geminiが60.8に対してElevenLabsが45.4、Inworldが35.8。方言や訛りをやらせると差が出る領域なんですよ。
MYUUUでも地域向けの音声コンテンツの相談が来たときに、ここが効いてきます。
MYUUUでも地域向けの音声コンテンツの相談が来たときに、ここが効いてきます。
テキトー教師DotAI 認定講師なるほど。声を作るのは互角、喋らせ方の再現力で差が出る、という見方ですね。
Xで見える方言再現と難読漢字の読み上げのリアルな声
室谷代表取締役実際の使用感って、公式ドキュメントには出てこない部分ですよね。
テキトー教師DotAI 認定講師初めて触る人が気にするのはまさにそこなんですよ。Xの日本語投稿を見ると、漫才の掛け合いや博多弁・大阪弁みたいな方言の再現、感情表現を評価する声が多めですね。
室谷代表取締役一方で、難読漢字の読み上げや感情表現はElevenLabsと優劣が分かれる場面がある、という比較検証も見かけます。文脈を読んだ自然な読みはGemini、質感や距離感の再現はElevenLabsが得意、という整理のされ方ですね。
テキトー教師DotAI 認定講師なので「数値で1位だからこれ一本」ではなくて、読みの自然さを取りたいのか、声の質感を取りたいのかで選ぶ方が失敗しないです。両方で同じ原稿を試して聴き比べるのが一番早いと思います。
よくある質問
Q1. 長い原稿の読み上げは、分割したほうがいい？
室谷代表取締役ナレーション原稿が長いとき、通しで一発生成するか章ごとに分けるか、というのは制作フローでよく議論になるポイントで。うちだと後から直す前提で短く切ってます。
テキトー教師DotAI 認定講師現場感覚で言うと、切ったほうが扱いやすいですね。読み上げって前後の文脈で抑揚が決まるので、長いままだと途中でテンションが変わってしまうことがあるんですよ。
室谷代表取締役修正が入ったときも、章単位なら該当部分だけ差し替えで済む。作り直しの工数がまるごと消えるのは大きいですよね。
Q2. 原稿の書き方で読み上げの自然さは変わる？
テキトー教師DotAI 認定講師これ、ハマる人多いんですよ。句読点の打ち方ひとつで間の取り方が変わるので、同じ設定でも仕上がりが別物になります。
室谷代表取締役読み原稿をそのまま突っ込むより、声に出す前提で書き直したほうが結果的に早い、と。
テキトー教師DotAI 認定講師そうなんです。漢字が続くところをひらく、記号を減らす、息継ぎを意識して区切る。
文章術に近い話なんですよね。
文章術に近い話なんですよね。
室谷代表取締役エンジニアリングじゃなくて原稿力か。そこは盲点になりがちですね。
Q3. 商用利用はできる？ 声の権利はどこを見ればいい？
室谷代表取締役ここは僕らも必ず確認する項目で。生成した音声を商流に乗せるなら、使っているモデルとデータの扱いを公式の規約で見る必要があります。
テキトー教師DotAI 認定講師初めて触る人は、音そのものの品質ばかり気にして、条件面を後回しにしがちですよね。
室谷代表取締役あと声の複製まわりは特に慎重に。誰の声か特定できる形で作るなら本人の同意が前提になる。
トラブルになったら事業側の責任なので、事前に潰しておきたいところです。
トラブルになったら事業側の責任なので、事前に潰しておきたいところです。
Q4. 動画やポッドキャストに使うとき、実務的なコツはある？
テキトー教師DotAI 認定講師現場でよく聞くのは、映像のカットに音声を合わせようとして苦労するパターンです。先に音声を確定させてから絵を寄せたほうが早いんですよ。
室谷代表取締役順番の問題なんですよね。音を後から差し替えると、尺も間も全部ずれ直すことになる。
時給で換算すると、この手戻りが一番もったいない。
時給で換算すると、この手戻りが一番もったいない。
テキトー教師DotAI 認定講師あとは無音の余白を削りすぎないこと。つなぎを詰めると、かえって不自然に聞こえますから。
Q5. 今使っているTTSから乗り換えると、声の印象は変わってしまう？
室谷代表取締役乗り換え検討時に必ず出る論点で。同じ原稿を両方で流して聞き比べるのが、結局いちばん早いんですよね。
テキトー教師DotAI 認定講師そうですね。声そのものの差もありますけど、間の取り方のクセが違うので、原稿の調整もセットで必要になります。
室谷代表取締役全部を一気に置き換えると差分がわからなくなるので、まず1本だけ並べて作ってみる。比較の設計を先に決めておくと判断がぶれません。
まとめ
室谷代表取締役音声生成って、モデルを選べば終わりではなくて、原稿と運用まで含めて設計する話なんですよね。
テキトー教師DotAI 認定講師たしかに。最初に触る人は「声が出た」で満足しちゃいがちですけど、そこで止まると業務には乗らないんですよ。
室谷代表取締役うちの現場でも、まず1本作って、聴き直して、直すを回すほうが結果的に速い。作り込んでから出すより、荒くても出して直す。
テキトー教師DotAI 認定講師まずは短い原稿で、感情の指定をひとつだけ変えて聴き比べるところからでいいと思います。違いが耳でわかると、その後の判断がぐっと早くなりますから。
室谷代表取締役あと料金は使い方で効き方が変わるので、自分の原稿量で一度見積もってみるのがおすすめです。試してから考えるより、数字を置いてから触るほうが迷いません。
