声だけ入れ替えて聞き比べ
— Gemini 3.8 Flash TTS で自分の声とキャラ6人も作った

2026年9月25日 ／ Routine Labo

Google が 2026年9月22日に正式版を出した読み上げAI Gemini 3.8 Flash TTS。 このページでは、自作の検証ダッシュボードで同じ台本・同じ映像のまま声だけを入れ替えて8つのAI音声と聞き比べ、 そのうえで Gemini だけを使って自分の声のクローン、文章で作る可愛い声・かっこいい声、1つのモデルから6人のキャラまで作った結果を、音声つきでまとめます。

Gemini 3.8 Flash TTS とは

Gemini 3.8 Flash TTS は、台本を一字一句そのまま読み上げるための Google のモデルです（モデル名 gemini-3.8-flash-tts）。 同時に廉価版の Flash-Lite TTS も出ました。リアルタイムで会話するのは別の Gemini 3.8 Live の担当で、こちらは「読ませる」専用です。 使える場所は Google AI Studio（画面で試せる）と Gemini API です。

• 声の複製（Voice Replication）：短い録音と、本人が同意文を読んだ録音で、自分の声を作る
• 声の設計（Voice Design）：「20歳の元気な女性、明るく高めで弾む声」のように1〜2文で説明すると声が生まれる（1つ約2円）
• 声の数：API で数えると 2,089声、うち日本語が 115声。大阪弁・福岡弁の声まで入っている

料金：公式と、自分で測った値

音声の出力は 100万トークンあたり 9ドル（2026年中）。公式は「音声1秒＝25トークン」と換算していて、1分あたり約1.35セントです。 実際に API で8本作って数えたところ、8本とも1秒＝32トークンでした。1分あたりに直すと約1.7セント（3円弱）です。 2027年1月から単価は倍になります。声の複製・声の設計は有料の階層（支払い設定をした API キー）が必要で、読み上げだけなら無料枠もあります。

同じ台本・同じ映像で、声だけ入れ替えて聞き比べ

自作の検証ダッシュボードで、同じ台本と同じ映像を用意し、声だけを8つのモデルで入れ替えました。 Gemini 3.8 Flash／3.8 Flash-Lite／3.1（旧世代）／2.5 Pro（旧世代）／2.5 Flash（旧世代）／GPT-4o mini TTS／OpenAI TTS-1 HD／Fish Audio です。 名前を隠して聞くと、先入観が消えて「どれが自然か」だけで選べます。まずは4つ、聞いてみてください。

数字は同じ台本6本×2回＝各12回の中央値（2026年9月29日・自作ダッシュボードで計測）。どれが一番自然かは、ぜひ自分の耳で選んでください。

前の世代から何が変わったか

約300字の同じ台本を読ませると、旧世代の Gemini 3.1 は17秒前後で打ち切り、本文の3分の1ほどで止まりました。日を変えて測り直しても3回とも同じところで止まります。 3.8 は54〜56秒で最後まで読み切りました（4回とも）。感情の台本でも、3.1 は4回中2回、セリフが抜けました。同じ旧世代でも 2.5 は最後まで読むので、止まるのは 3.1 だけです。 Google が「長文が大きく改善した」と書いているとおりの結果です。

人が聞き比べて順位を付ける Voice Arena の日本語ランキングでは、Gemini 3.8 Flash TTS が 1位（2026年9月25日時点）。 同じ声をクローンさせて比べる Artificial Analysis の板でも、日本語は 2位（1位は廉価版の Flash-Lite）です。一方で英語のクローン比較では11位と中位でした。

声を作る：自分の声のクローン

AI Studio の Create new voice → Voice Replication から作ります。声のサンプルは20秒前後（30秒を超えない）、静かな部屋で普段の話し方で。 続けて画面に出る英文の同意文を本人が読み上げます。画面の文と少しでも違うと「Consent flow failed」で止まるので、ゆっくり一語ずつ読むのがコツです。 他人の声は作れない仕組みで、生成された音声には見えない透かし（SynthID）が入ります。

どうも、セナオです。このチャンネルでは、新しいAIツールを実際に使ってみて、仕事や動画づくりにどう役立つのかを紹介しています。今日は、グーグルの新しい音声AIで、自分の声を作ってみます。

I am the owner of this voice and I consent to Google using this voice to create a synthetic voice model.

えっ、これ本当に僕の声なんですか？ちょっと信じられないです。

落ち着いて、普段どおりに

心の底から驚いて、少し興奮気味に

耳元でささやくように、小さな声で

声を作る：可愛い声・かっこいい声

Create new voice → Voice Design で、声の特徴を1〜2文で書くと、約30秒で声ができます。同じ原稿を2つの声で読ませたのがこちらです。

説明に「10代」と書くと安全フィルタで止まります。「20歳」にすると通りました。

20歳の元気な女性。明るく高めで弾む声、にこにこと楽しそうな話し方。東京の標準語。

30代の男性ナレーター。低くて深みのある落ち着いた声、映画の予告編のような渋さ。東京の標準語。

知ってました？グーグルの新しい音声エーアイなら、文章を書くだけで、こんな声が作れるんです。しかも1分あたり、3円弱。動画のナレーションも、解説スライドの読み上げも、もう自分で録らなくていいかもしれません。

読み間違いの直し方

確実だったのは本文をカタカナかひらがなに書き換える方法です。括弧のふりがなや、style 欄で読み方を指定する方法は効きませんでした。 読み方は文脈でも変わります（ニュースの台本では「Gemini」を正しく「ジェミニ」と読みました）。

GPT-6とGeminiを比べてみました。

東海林さんが、会議の資料を配ってくれました。

GPT-6とジェミニを比べてみました。

しょうじさんが、会議の資料を配ってくれました。

1つのモデルから、6人のキャラ

Gemini 3.8 Flash TTS だけで、年齢も性別も違う6人のキャラを作りました。コツは声そのものを選ぶことです。 最初は既定の声（Kore）のまま「低く」「ゆっくり」と演技の指示だけ変えていたら、全員が明るい女性の声になってしまいました。 30ある声から6つを選び直すと、声の高さは 103〜279Hz まで分かれました。

どこに使えるか

声づくりキット（コピーして使える）

キャラ6人の声の設定（Gemini 3.8 Flash TTS）

声の名前を選び、演技の指示（style）に下の文を入れると、同じキャラの声になります。

新人アナウンサーらしく、明るく可愛らしく、でも一語ずつはっきり聞き取りやすく読む。

ドキュメンタリーのナレーターのように、低めの声でゆっくり、間をたっぷり取って静かに語る。

小学生の男の子のように、わくわくして少し早口で、声を弾ませる。

年配の研究者のように、しわがれた低い声で、ゆっくり、少し得意げに話す。

眠る前の読み聞かせのように、やわらかく小さめの声で、ゆったりと話す。

深夜ラジオのDJのように、くだけた調子でリズムよく、楽しそうに話す。

声の説明文テンプレ（声の設計・すべて実際に通ったもの）

20歳の元気な女性。明るく高めで弾む声、にこにこと楽しそうな話し方。東京の標準語。

20代前半のおっとりした女性。やわらかく少し高めの声で、ゆっくり穏やかに話す。東京の標準語。

30代の男性ナレーター。低くて深みのある落ち着いた声、映画の予告編のような渋さ。東京の標準語。

20代後半のクールな女性。やや低めで芯のある声、淡々として知的。東京の標準語。

年齢は20歳以上で書きます。年齢・性別・声の高さ・話し方・なまりの5つを書くと安定します。

演技の指示とタグ

• style の例：「明るく元気に、楽しそうに」「落ち着いて、自信たっぷりに」「心の底から驚いて、少し興奮気味に」「耳元でささやくように、小さな声で」
• タグ（本文に英語のまま入れる）：<laugh> 笑い ／ <sigh> ため息 ／ <whispers> ささやき ／ <short pause> <long pause> 間
• 自分の声のクローンを API で作るときは、日本語の同意文も使える：「私はこの音声の所有者であり、Googleがこの音声を使用して音声合成モデルを作成することを承認します。」

タグの一覧は公式ドキュメント（ai.google.dev）にあります。

まとめ

• 同じ台本・同じ映像で声だけ入れ替えると、モデルの違いが耳で分かる
• Gemini 3.8 Flash TTS は、長文を最後まで読み切り、日本語の評価も上位。料金は実測で1分あたり約1.7セント（2027年から倍）
• 自分の声のクローンも、文章で作る声もできる。キャラを分けるなら声そのものを選ぶ
• 読み間違いはカタカナ・ひらがなに書き換えて直す