Gemini Speech Generation APIは、入力したテキストをそのまま音声化したい場面に向くGemini APIのTTS機能です。Googleの公式ガイドでは、ポッドキャストやオーディオブックのように、決めた文面を自然な抑揚で読ませたい用途に適すると整理されています。2026年5月時点ではPreviewですが、日本語入力にも対応し、単一話者だけでなく2人までのマルチスピーカー構成も扱えます。導入時に重要なのは、まずLive APIと混同しないこと、次に音声品質の確認ポイントを先に決めてから実装することです。
Gemini Speech Generation APIで今できること
公式ドキュメントで確認できる現行機能は大きく5点です。1つ目は単一話者TTS、2つ目は2人までのマルチスピーカーTTS、3つ目は30種類のプリセット音声、4つ目は日本語を含む多言語自動判定、5つ目は自然言語による話し方制御です。対応モデル欄にはGemini 3.1 Flash TTS Preview、Gemini 2.5 Flash Preview TTS、Gemini 2.5 Pro Preview TTSが並んでいます。つまり、まず軽量に試したいならFlash系、本格品質を追いたいならPro系、という切り分けがしやすい状態です。
最短で始める実装ステップ
実装は複雑ではありません。Googleのサンプルでは `generateContent` を呼び、`responseModalities` に `AUDIO` を指定し、`speechConfig.voiceConfig.prebuiltVoiceConfig.voiceName` に音声名を渡します。出力は24kHzのPCMとして返るため、Pythonならwave、RESTならffmpegでWAV化する流れが基本です。最初の検証はAI Studioで声色を選び、その後にAPIへ持ち込む順番が安全です。プロダクト側でいきなり音声ファイル管理や配信基盤まで広げるより、まず「1文章を安定再生できるか」を確認した方が失敗が少なくなります。
導入手順を3段階で区切ると整理しやすいです。第1段階はAPIキー取得とAI Studioでの試聴、第2段階はFlash TTSで単一話者のPoC、第3段階はマルチスピーカー化と保存形式の整備です。特に社内デモでは、話者を増やす前に単一話者で句読点や数字の読みを確認した方が、日本語品質のボトルネックを早く見つけられます。
日本語TTSで音声品質を確認するときの観点
日本語で詰まりやすいのは、声そのものより原稿の作り方です。公式ガイドは、スタイル制御に音声タグを使える一方、英語以外の原稿でも音声タグは英語表記を推奨しています。たとえば `[whispers]` や `[excitedly]` を加えると抑揚が変わります。ここで確認したいのは、1文が長すぎないか、読点の位置が自然か、英数字や製品名をどう読ませたいか、の3点です。実務では、営業デモ音声、FAQ読み上げ、アプリ内ガイダンスの3パターンを同じ原稿長で比較し、声色と話速の相性を見ると評価しやすくなります。
30種類のプリセット音声は明るい声、落ち着いた声、説明向けの声など性格が分かれているので、先に用途を決めるべきです。たとえば社内ナレーションなら明るさより明瞭さ、製品紹介なら親しみやすさ、対話デモなら話者の差が重要です。AI StudioのVoice Libraryで候補を2つか3つに絞り、同じ日本語原稿で比較してから固定すると、後工程の手戻りを抑えられます。
Live APIとの使い分けをどう考えるか
Googleは公式に、TTSは正確なテキスト読み上げ向け、Live APIはリアルタイムで非構造な音声対話向けと分けています。Live APIは低遅延の音声・映像対話、割り込み、ツール利用、文字起こしまで含む一方、接続はWebSocket前提で設計負荷が高くなります。逆にSpeech Generation APIは、あらかじめ決めた台本を高品質に出したいときに向きます。判断基準は単純で、FAQ音声、ポッドキャスト、教材読み上げならTTS、会話型受付、音声エージェント、リアルタイム支援ならLive APIです。
料金と運用で先に押さえるべきポイント
料金ページでは、2026年5月時点でGemini 2.5 Flash Preview TTSの標準料金が入力100万トークンあたり0.50ドル、出力音声100万トークンあたり10ドル、Batchが0.25ドルと5ドル、Gemini 2.5 Pro Preview TTSが標準1ドルと20ドル、Batchが0.50ドルと10ドルと示されています。Previewモデルは変更されうるので、見積もりは固定費ではなく変動費として扱うべきです。PoC段階ではFlashで単価感を掴み、本番候補だけProで品質比較する進め方が無難です。
運用では、生成後のWAV保存先、再生成条件、話者ごとの承認フローを先に決めておくべきです。とくに営業や研修で使う音声は、原稿変更が頻繁に起きます。原稿、voiceName、出力日時の3点を残しておくと、後から「なぜこの読み方になったか」を説明しやすくなります。
FAQ
Q. 日本語でもマルチスピーカーTTSは使えますか？ A. 使えます。公式ガイドでは最大2人の話者設定を例示しており、話者名をプロンプトと `speakerVoiceConfigs` の両方で一致させる前提です。
Q. 最初からLive APIを選ぶべきですか？ A. 会話型でなければ不要です。読み上げ用途ならSpeech Generation APIの方が設計が軽く、品質比較もしやすいです。
GeminiやClaudeを使った音声AI導入、社内向けAI研修、PoCから本番運用への設計整理が必要なら、 HelloCraftAIへご相談ください。
