概要
Googleの創作向け主力テキスト読み上げ(TTS)モデル。テキストを入力して音声を生成し、音声の忠実度、表現力、地域アクセント、長い対話での声の安定性を重視しています。(aistudio.google.com)
能力と用途
- 話し方のスタイル指定、複数話者の音声生成、ストリーミングに対応。長い会話やナレーションでも声質などの一貫性を保つよう設計されています。
- プリセット音声のほか、音声デザイン、本人の同意確認を伴う音声複製、音声のリミックスに対応します。
- オーディオブック、ナレーション、複数人物の対話、地域方言を使った作品などに適しています。Gemini Developer APIのモデル資料は130言語に対応すると記載しています。(aistudio.google.com)
制限
- Gemini APIの入力上限は8,192トークン、出力上限は16,384トークン。入力はテキスト、出力は音声です。Live API、コンテキストキャッシュ、関数呼び出しには対応していません。(aistudio.google.com)
- 読み上げテキスト内のスタイル指示や話者ラベルは、そのまま発話される場合があります。持続的な指示や話者は構造化された音声メタデータで指定します。複数話者では各ターンに話者指定が必要です。(aistudio.google.com)
- GoogleはGemini 3.8 Audio全体の既知の制限として、ハルシネーションや、時折の遅延・タイムアウトを挙げています。(deepmind.google)
公開日
Gemini APIのリリースノートでは、2026年9月22日に一般提供(GA)と記載されています。Googleの紹介記事は2026年9月23日付です。(aistudio.google.com)
料金
以下はGemini Developer APIの有料枠の料金で、通貨は米ドル(USD)、単位はそれぞれ100万トークン当たりです。入力はテキスト、出力は音声に対する課金です。確認日:2026年11月16日。(aistudio.google.com)
| 提供方式 | 2026年12月31日まで:入力 / 出力 | 2027年1月1日から:入力 / 出力 |
|---|---|---|
| Standard | $0.50 / $9.00 | $1.00 / $18.00 |
| Batch | $0.25 / $4.50 | $0.50 / $9.00 |
| Flex | $0.25 / $4.50 | $0.50 / $9.00 |
| Priority | $0.90 / $16.20 | $1.80 / $32.40 |
公式料金表ではStandardとPriorityに無料枠があり、BatchとFlexの無料枠は利用不可です。音声は1秒当たり25トークンとして換算されます。コンテキストキャッシュはモデル資料上、非対応です。(aistudio.google.com)