🎙️ Gemini 3.8 TTS Studio

v3.8.0

Gemini 3.8 Flash TTS と Gemini 3.8 Flash-Lite TTS 専用の音声スタジオです。台本はそのまま読み上げ、話し方は「スタイル」と「声のタグ」で指定します。

🔑 APIキー：未設定

キーはこのブラウザ（localStorage）にだけ保存され、音声生成のたびにこのサーバー経由で Gemini API へ送られます。サーバーには記録しません。

出力形式 サンプリング

1人で読み上げる

本文は一字一句そのまま読まれます。「楽しそうに言う」などの指示は本文に書かず、下の「スタイル」に入れてください。

短い英語の句が安定します。まず空欄で試し、必要なときだけ足すのがおすすめです。年齢・性別・なまりはボイス側で選びます。

声のタグ

一瞬の笑い・ため息・間を、起きる位置に入れます。クリックでカーソル位置に挿入されます。台本に（笑）（ため息）（間）と日本語で書いておき、「表記をタグに変換」を押しても入ります。

ボイスと生成

対話を作る

定番・ライブラリの声の2人までは、1回の合成で自然な掛け合いを作ります。3人以上や、ボイスデザイン・声の複製で作った声を含む場合は、1セリフずつ合成してつなぎます。

話者

つなぎ目の間

台本

各セリフの「スタイル」は空欄でかまいません。相槌は話し手のセリフの中に |うん| のように縦棒で挟むと、聞き手の声で重ねて入ります（2人合成のとき）。

声のタグ

SRT字幕から音声を作る

行頭の「名前: セリフ」から話者を判定します。人数の上限はありません。タイムコード同期では、各字幕を開始時刻に合わせて置いた1本の音声を作ります（吹き替え向き）。

📁 SRTファイルをドラッグ＆ドロップ、またはクリックして選択
✏️ テキストを貼り付ける

マイボイス

ボイスデザインや声の複製で作った声、ライブラリから選んだ声です。ここにある声は各タブのボイス選択に出ます（登録はこのブラウザに保存）。

ボイスライブラリを検索

定番30声に加え、言語・なまり・キャラクター別の数百の声、そしてプロジェクトで作った声を検索できます（Voices API）。

定番30声

公式の特徴（英語）と、以前の聴き比べメモです。メモは旧モデル時代のもので、3.8では印象が変わることがあります。

文章から新しい声を作る

年齢、声質、なまり、基本の話し方を1〜2文で説明すると、プロジェクトに保存される声（voice_...）ができます。保存は1プロジェクト200声まで、有効期間は1年です。

固定的な性質（年齢・声質・なまり）はここで決め、場面ごとの感情は生成時の「スタイル」で付けます。長く矛盾した説明より、具体的で短い説明のほうが安定します。できた声は Flash TTS・Flash-Lite TTS のどちらでも使えます。

できた声

まだ作成していません。

本人の声と本人の同意が必要です。 同じ成人話者の「参照音声（10〜30秒）」と「同意音声（決められた同意文の読み上げ）」の2つを使います。他人の声を無断で複製しないでください。

声を複製する

通すための条件（先に確認してください）

Google は送られた声が「加工されていない本人の肉声か」を自動で確認します。次のどれかに当たると「安全確認で止まりました」になります。

  1. 2つを続けて録る。参照音声 → 同意音声の順に、同じマイク・同じ部屋で、間を空けずに録ります。失敗したら2つとも録り直します。
  2. パソコンの音声加工を切る。Mac はメニューバーのコントロールセンター →「マイクモード」を「標準」に（「声を分離」「ワイドスペクトル」は不可）。Windows は「サウンド設定 → 入力 → 音声の明瞭化・オーディオの強化」をオフ。
  3. 加工するソフトを通さない。Krisp、NVIDIA Broadcast、Zoom・Teams の仮想マイク、ノイズ除去付きの録音アプリは使いません。Bluetooth イヤホンのマイクも避けます（通話用に圧縮されます）。
  4. この画面の「● 録音」で録る。ブラウザの加工を切り、圧縮せずに録ります。録音後に「加工 なし」と出ていれば準備完了です。
  5. 使えない音声：過去の録音、動画や配信・通話から切り出した音声、編集・音量調整した音声、BGMや他人の声が入った音声、スピーカーから流した声の録り直し。
  6. 同意文は一字一句そのまま、選んだ言語で読みます。参照音声は自然な話し言葉で15〜25秒が目安です。

同意音声では、この文をそのまま、参照音声と同じマイク・同じ部屋で読み上げてください。

「マイクを探す」を押すと、つながっているマイクの名前が出ます（初回はマイクの使用許可を求められます）。

「保存しない」を選ぶと、Google側に声のプロファイルを残さず、暗号化されたキーをこのブラウザにだけ保持します。

できた声

まだ作成していません。

録音のコツ

  • 静かな部屋で、反響・BGM・他人の声を避ける
  • 参照音声は自然な話し方で10〜30秒
  • 参照音声と同意音声は同じマイク・同じ場所で録る
  • このツールは録音やファイルを 24kHz・モノラル・16bit WAV に変換してから送ります
  • 録音アプリ・OS・会議ソフトのノイズ除去・音声補正・AI強調は切る（加工された声は「AI合成」と判定されて失敗します）
  • できた声は Flash TTS・Flash-Lite TTS のどちらでも使えます

Claude Code・Codex から使う

Gemini の APIキーがあれば、AIエージェントに「この台本を音声にして」と頼むだけで、タグとスタイルを付けて WAV まで作れます。そのためのスキルを配布しています。ヘッドレス（claude -p、codex exec）でもそのまま動きます。

⬇ スキルをダウンロード（gemini-tts-director.zip） AI向けの案内（llms.txt）

中身：SKILL.md、scripts/gemini_tts.py（Python 3.9 以上・追加パッケージ不要）、references/directing.md（タグとスタイルの対応表）、README.md

① 入れる

ZIPを展開し、使うAIエージェントのスキル置き場へコピーします。

unzip gemini-tts-director.zip
# Claude Code
mkdir -p ~/.claude/skills && cp -R gemini-tts-director ~/.claude/skills/
# Codex
mkdir -p ~/.agents/skills && cp -R gemini-tts-director ~/.agents/skills/

特定のプロジェクトだけで使うなら、そのプロジェクトの .claude/skills/ や .agents/skills/ に置きます。

② APIキーを渡す

export GEMINI_API_KEY="（Google AI Studio のAPIキー）"

キーはこの画面にもサーバーにも保存されません。台本は Google の Gemini API に送られ、従量課金が発生します。

③ 頼む（ヘッドレスの例）

claude -p "gemini-tts-director スキルで、次の台本に演出を付けて narration.wav を作って。明るいナレーション、声は Kore。
こんにちは（笑）今日は新しい音声モデルを紹介します。" --allowedTools "Bash,Read,Write"
codex exec --full-auto "gemini-tts-director スキルで、dialogue.txt を2人の対話音声にして talk.wav に保存。ユウキ=Kore、ハルト=Puck"

Codex は音声生成でインターネットに接続します。サンドボックスで通信を止めている場合は許可してください。

スキルなしで直接使う

S=gemini-tts-director/scripts/gemini_tts.py
python3 $S tags                          # タグの一覧
python3 $S lint 台本.txt --fix            # （笑）（間）などをタグに直す
python3 $S say --file 台本.txt --voice Kore --style "calm" --out out.wav
python3 $S dialogue --file 対話.txt --voices "ユウキ=Kore,ハルト=Puck" --out talk.wav
python3 $S srt --file 字幕.srt --voices "田中=Kore,佐藤=Puck" --mode sync --out dub.wav

タグが分からなくても大丈夫

台本には日本語のト書きで書いておけば、スキルがタグに直します。話し方の指定は英語の短い句に訳してスタイルへ入れます。

ユウキ（元気に）: やった！（笑）合格したよ。
ハルト: ほんとに？ |へえ| すごいね。
ユウキ（ささやき）: まだ内緒だよ（間）ね。
ユウキ [high energy, excited]: やった！<laugh>合格したよ。
ハルト: ほんとに？ |へえ| すごいね。
ユウキ [whispering]: まだ内緒だよ<short pause>ね。

2つのモデルの使い分け

Gemini 3.8 Flash TTSGemini 3.8 Flash-Lite TTS
モデルIDgemini-3.8-flash-ttsgemini-3.8-flash-lite-tts
強み最高の音質、演技の細かさ、方言速さ、低遅延、低コスト
向く用途オーディオブック、スタジオ品質のナレーション、複雑な2人対話、声のタグを多用する演技、難しい読み大量生成、音声エージェント、読み上げ機能、声の複製、日常的な1人読み、吹き替え
対応言語130言語101言語
入力／出力の上限入力 8,192 トークン／出力 16,384 トークン（このツールは長文を約2,400文字ごとに自動分割してつなぎます）
共通同じAPI・同じ書き方。定番30声、ボイスライブラリ、ボイスデザイン、声の複製、2人対話、ストリーミングに対応

書き方の基本（3.8 から変わった点）

  • 本文はそのまま読まれます。「楽しそうに：」「田中：」のような指示や話者名を本文に書くと、声に出て読まれることがあります。
  • ターン全体の話し方は「スタイル」へ。感情、速さ、声量、トーン（例：whispering、speaking slowly、warm and enthusiastic）。途中で感情が変わるときはセリフを分けます。
  • 一瞬の出来事は角括弧のタグで本文へ。<laugh>、<sigh>、<short pause> など。旧モデルの [excited] のような四角括弧の感情タグは使いません（「表記をタグに変換」で自動変換できます）。
  • 効果音は入れない。拍手やドアの音などは出せません。人の声の音だけにします。
  • 強調は英単語なら大文字（VERY）、日本語は句読点や「……」で間を作ります。
  • 相槌・重なりは2人対話のセリフ内に |うん| |へえ| と縦棒で挟みます。
  • キャラクターは声で固定。長い「キャラクター設定」をスタイルに毎回書くと声がぶれます。ボイスデザインで一度作り、その声IDを使い回します。
  • まず空のスタイルで試す。ほとんどの台本はスタイルなしで自然に読まれます。調整が必要なセリフだけ短く足します。

声のタグ一覧

制限と注意

  • 1回の合成で同時に扱えるのは、定番・ライブラリの声の2人まで。3人以上や、ボイスデザイン・声の複製で作った声を含む対話は、このツールが1セリフずつ合成してつなぎます。
  • ボイスデザインと声の複製（保存あり）は、プロジェクトあたり合計200声、有効期間1年。保存なしの複製キーは7日で失効します。
  • 生成した音声には SynthID の電子透かしが入ります。
  • 出力は WAV（24kHz・モノラル・16bit）が標準。電話システム向けに μ-law／A-law（8kHz など）も選べます。μ-law／A-law はブラウザで再生できないことがあります。
  • ストリーミング再生は 24kHz の WAV 出力のときに使えます。
  • 「AIで演出を付ける」は補助用のテキストモデル（gemini-3.5-flash）で台本を分析します。音声合成そのものは選択中の 3.8 TTS モデルだけで行います。

参考：Gemini API 音声生成ガイド ／ ボイスデザイン ／ 声の複製 ／ Google の発表