本日、Gemini 2.5 Flash および Gemini 2.5 Pro の Text-to-Speech（TTS）プレビューモデルに大幅な機能強化を発表します。
主な改善点は以下のとおりです。
- 表現力の向上: より豊かなトーンの多様性と、スタイルプロンプトへの厳密な準拠。
- 精密なペーシング: コンテキストに応じたよりスマートな速度調整と、指示のより良い遵守。
- シームレスな対話: マルチスピーカーシナリオでの一貫したキャラクターボイス。
これらのモデルは、5月にリリースされた以前の TTS モデルを置き換えます。Google AI Studio でアプリをバイブコーディング（vibe coding）し、Playground でモデルの機能を今すぐ試すことができます。
新しい TTS Flash および Pro モデル
多くの開発者は、スタイル、トーン、ペース、アクセントをきめ細かく制御する必要がある高忠実度コンテンツ（長編オーディオブックからローカライズされた e ラーニングモジュールまで）の生成にテキスト読み上げを利用しています。製品チュートリアル、マーケティング動画、クリエイターコンテンツなどのユースケースでも、複数の音声インタラクションと信頼性の高い技術的な発音が求められることがよくあります。
これらのニーズに応えるため、低レイテンシー向けに最適化された Gemini 2.5 Flash TTS プレビューと、品質向けに最適化された Gemini 2.5 Pro TTS プレビューの両方のアップデートをリリースします。
スタイルとトーンの多様性の向上
ロールプレイングゲームのキャラクター、便利なバーチャルアシスタント、劇的なナレーターなど、どのような役割であっても、その役に合った声が必要です。Gemini TTS モデルは、はるかに表現力豊かになり、スタイルプロンプトで指定された指示に非常に忠実に従い、役割の遵守が大幅に向上しました。「明るく楽観的」から「陰鬱で深刻」まで、特定のトーンをリクエストすれば、モデルはその指示に忠実なパフォーマンスを提供します。
Gemini 2.5 TTS モデルの多彩なスタイルを、Synergy Intro デモアプリ で実際にご覧ください。
コンテキスト認識型のペーシング制御
自然な話し方を作り出すには、ペーシングが重要な要素です。ジョークにはタイミングが必要であり、複雑な説明には間（ま）が必要であり、アクションシーンにはスピードが必要です。私たちは、メッセージのコンテキストに基づいてペーシングを調整するモデルの能力を改良し、強調するために自然に速度を落としたり、興奮のために速度を上げたりできるようにしました。さらに、ペーシング制御を改善し、モデルが速度に関する明示的な指示をより忠実に守るようになりました。
モデルが指示に従ってペーシングを調整する様子を聞いてみてください。
「スタイル: あなたはミステリー小説の語り手です。緊張したトーンで始まり、興奮と安堵へと加速するようにしてください。」
「テキスト: 「ゆっくりとドアの鍵を開けようとした。緊張しながらあちこちいじった…ダメだ…深く息を吸って、もう一度試した。カチッ、入れった！信じられない、本当に入れたんだ！」」
マルチスピーカー機能の改善
ポッドキャスト、シミュレーションインタビュー、複数キャラクターのナレーションなどのユースケースでは、明確な個性を持ったリアルな対話を作り出すことが重要です。モデルを改良し、キャラクターボイスの一貫性を保ち、やり取りの中でスピーカー間の「引き継ぎ」をより自然に処理できるようにしました。
また、モデルの多言語機能も改善し、24 のサポート言語全体で会話を通じて各キャラクターのユニークなトーン、ピッチ、スタイルを維持できるようになりました。
モデルのマルチスピーカー、多言語機能を、Voices from History デモアプリ でご覧ください。
顧客の声
パートナー各社は、これらの改善が本番環境でどのような効果をもたらすかをすでに実感しています。
Wondercraft は、AI オーディオプラットフォームであり、Gemini TTS を使用して最も重要な 2 つの機能を構築しています。Convo Mode は、誰でもペーシングや話し方を制御しながら臨場感あふれるマルチスピーカーの会話を作成でき、Director Mode は、発音、イントネーション、非言語的手がかりを正確に制御できるため、編集が簡単に行えます。
"Gemini TTS は、Wondercraft をデモから実際のプロダクションユースケースへと引き上げる鍵となりました。お客様はずっとより自然な音声を求めてきましたが、従来の TTS エンジンでは不十分でした。Gemini TTS を採用してから、サブスクリプションが 20% 増加し、最初の月の解約率が 20% 低下し、コストが 20% 削減されました。"
Youssef Rizk（Founder @ Wondercraft）
Toonsutra は、キャラクター向けの映画的なナレーションやプロモーション動画広告でストーリーを生き生きと表現しており、多様な言語やキャラクターのニュアンスを処理する能力を評価して Gemini TTS を活用しています。
"私たちは、漫画のコマ内のコンテキストと全体的なストーリーに基づいてキャラクターの音声を生成しています。これには、各キャラクターのピッチ、トーン、アクセントを調整して、可能な限り没入感のある体験を提供することが含まれます。現在、英語とヒンディー語の漫画の両方でこれを行っており、キャラクターのトーンの一貫性と品質が非常に優れていることがわかりました。"
Vishal Anand（CEO @ Toonsutra）
今すぐ始めましょう
Gemini 2.5 Flash および 2.5 Pro TTS モデルは、Google AI Studio の Gemini API からご利用いただけます。デベロッパードキュメント をご覧いただくか、プロンプトガイド をご確認いただくか、Gemini API Cookbook をご参照の上、はじめてください。
