私は今週Googleが発表した新しいGemini 3.1 Flash TTSについて非常に興味深く感じました。基本的に、彼らはテキストからGeminiへの変換を、以前よりはるかに洗練されたものに変えることに成功しました。

ここでの強みは、開発者がAIの話し方を細かく制御できることです。単なる単調なロボット音声ではありません。トーン、速度、アクセント、さらには声の感情表現まで調整可能です。しかも、最もクールなのは、これらすべてを自然言語の指示、いわゆる「オーディオタグ」を使って行えることです。必要なら、文章の途中で表現スタイルを変えることもできます。

Googleはこれをさまざまな場所で提供しています：Gemini API、AI Studioの直感的な「ディレクターズチェア」インターフェース、企業向けのVertex AI、WorkspaceのためのGoogle Vidsです。そこにはワークフローを大いに簡素化する3つの制御レベルがあります。

私の注目を引いたのはランキングです。Artificial Analysisによると、このモデルはEloスコア1,211のTTSの中で1位に位置し、「最も魅力的なクアドラント」に入りました。70以上の言語とネイティブのマルチボイス会話をサポートしており、多くの可能性を開きます。

そして重要な点として、生成されたすべての音声には、AIによって生成されたことを識別するためのSynthIDのウォーターマークが組み込まれています。これは、コンテンツの真正性に関する議論が盛んな今、とても重要です。

コンテンツ制作に携わる人にとって、これはゲームチェンジャーです。Geminiのテキストは単なる変換ツールを超え、プログラム可能な音声パフォーマンスエンジンへと進化します。スタイルを一貫して再利用できるため、以前は難しかった製品ライン全体での声のスタイルの統一も可能です。この進化に注目しておく価値があります。