Google、Gemini 3.8に新音声モデル。30秒で声再現、アバターも

Googleは、音声生成モデル「Gemini 3.8 Flash TTS」と「Gemini 3.8 Flash-Lite TTS」、およびライブ対話モデルに映像アバターを組み合わせた「Gemini 3.8 Live with Live Avatar」を発表した。音声生成の2モデルはGemini APIとGoogle AI Studioで提供を始め、今後Gemini Enterpriseにも広げる。Live AvatarはGemini Enterpriseで提供を開始した。

Flash TTSは、Googleがこれまでで最も表現力が高いとする音声生成モデルだ。自然言語で指示するだけで、100以上の言語・方言について役柄、アクセント、声質などを指定し、新しい声を作れる。演技のトーンや話す速さ、相づちまで細かく指定できる。2,000種類以上の既成音声を用意するほか、30秒の音声サンプルからの声の再現、長時間の音声生成、2人の会話の生成にも対応する。Flash-Lite TTSは、大量の吹き替えや音声コンテンツ制作、音声エージェントの構築など、規模とコストを重視する用途向けだ。Flash TTSはGemini Notebook、Flash-Lite TTSはGoogle Vidsにも組み込む。

声の再現には本人の同意確認を必須とし、生成した音声には電子透かしのSynthIDとコンテンツ来歴規格C2PAの情報を付ける。

Live Avatarは、「Gemini 3.8 Live」によるリアルタイム会話に低遅延のストリーミング映像を重ね、アバターと対面で話しているような体験を作る。唇の動きの同期や自然な表情を売りにし、映像と音声を同時に処理しながら、会話を止めずに裏でツールを呼び出して情報を取りに行く非同期処理にも対応する。97言語を途中で切り替えても口の動きや表情がずれないという。映像と音声にはSynthIDを埋め込む。

声の複製とリアルタイムのアバター対話が汎用APIで使えるようになり、コールセンターや案内窓口、動画制作の自動化が一段と現実的になる。同時に、なりすまし対策として同意確認と透かしをセットで提供する姿勢も示した。