Gemini 3.1 Flash TTS チュートリアル：製品デモと社内トレーニングのナレーション

まず結論

製品スクリプトをきれいなナレーションに素早く変換したい？ 2026-04-16 時点で、Gemini 3.1 Flash TTS を最初に試す価値がある。

Google は 2026-04-15 に Gemini 3.1 Flash TTS を発表し、コストパフォーマンスが高く、低レイテンシで制御可能な音声モデルと位置づけた。70 以上の言語、単一話者および複数話者生成、自然言語による音声タグでペース・トーン・デリバリーを制御できる。同日時点で Google は Gemini API と Google AI Studio のプレビューモデルとしてリストしている。

向いているケース：

• 落ち着いたトーンの製品デモナレーション
• 多言語の社内トレーニングクリップ
• 正確な表現が求められるスクリプト忠実型ナレーション
• テキストプロンプトから使える音声への素早いイテレーション

今は避けたほうがいいケース：

• 法的にセンシティブなブランドボイスクローンが必要な場合
• プレビュー版ではなく GA モデルが調達・コンプライアンス上必須の場合
• 別の TTS スタックですでに長編制作パイプラインが確立済みの場合

最短の実用ワークフロー：

1. 声に出して自然に聞こえる短いスクリプトを書く
2. トランスクリプトに音声タグとデリバリー指示を直接追加する
3. Google AI Studio で結果をテストする
4. プロダクト内で繰り返し使う場合、動作確認済みの設定を Gemini API コードにエクスポートする
5. 公開前に発音とペースをチェックする

2026-04-15 に何が変わったか

ニューストリガーは本物だが、有用なポイントは「Google がまた新モデルを出した」ではない。有用なポイントは、Google がようやく Gemini TTS を実際のナレーション作業で実用的にしたことだ。Artificial Analysis の TTS リーダーボード——数千回のブラインド人間嗜好比較に基づくベンチマーク——で Gemini 3.1 Flash TTS は Elo 1,211 を獲得し、Artificial Analysis が「高品質＋低コスト」の最も魅力的な象限と呼ぶ位置に入った。

Google の 2026-04-15 発表と現行 Gemini ドキュメントから、重要な変更点は以下のとおり：

• Gemini 3.1 Flash TTS が Gemini API と Google AI Studio でプレビューとして利用可能になり、エンタープライズは Vertex AI、Workspace ユーザーは Google Vids 経由でもアクセス可能
• Google は 70 以上の言語をサポートすると記載
• 音声タグが追加され、自然言語でスタイル・ペース・デリバリーを制御可能
• Gemini TTS ドキュメントに単一話者と複数話者の生成が記載
• Google AI Studio から動作確認済み設定を Gemini API コードとしてエクスポート可能
• 生成されるすべての音声に SynthID ウォーターマークが付与

製品チームにとって、この組み合わせは「モデルがデモではいい音に聞こえる」と「ワークフロー内で実際にこの音声出力を繰り返せる」の差を縮める。

このチュートリアルの対象

この記事は以下のナレーションが必要なチーム向け：

• SaaS 機能ウォークスルー
• リリースノート動画
• サポートオンボーディングクリップ
• 社内プロセス解説
• 多言語トレーニングコンテンツ

セレブリティのボイスクローン、オーディオブック制作、対話型ライブエージェントのガイドではない。Gemini の現行 TTS ドキュメントは制御可能なテキスト読み上げ生成についてであり、フルボイスクローンワークフローではない。

クイック適合チェック

時間を投資する前に、このフィルターで判断する。

判断の核心はシンプル：Gemini 3.1 Flash TTS は制御されたナレーションが必要なときに最も力を発揮する。即興会話ではない。

ステップ 1：ドキュメントではなく耳のために書く

AI ナレーションの失敗の多くは、読むために書かれたスクリプトから始まる。

製品デモでは、各文を一息で言い切れる長さに収める。「左側の構成モジュールに移動してください」のような UI 用語だらけの表現は、人間のナレーターが実際に言う言い方に置き換える。

機能する構成：

• 1 文でゴール
• 1 文で操作
• 1 文で期待結果

悪い例：

In order to proceed with workspace member management, the administrator should first navigate to the role assignment section and review the applicable permission mappings.

改善後：

Open Role Settings. Choose the teammate you want to update. Then change the permission level and save.

自分で一度声に出して読んで不自然に感じるなら、Gemini が魔法のように直してくれることはない。

ステップ 2：音声タグとデリバリー指示を追加する

今回のリリースで実用性が高いのがこの機能だ。

Google の現行ドキュメントによると、Gemini TTS は自然言語プロンプトまたは音声タグで制御できる。ペース改善のためだけに別途 SSML ワークフローを組む必要はない。

タグの用途：

• 重要な操作前のポーズ
• UI ラベル部分のペースダウン
• 警告や期限の追加強調
• ナレーターと引用発言のエネルギーレベル切り替え

製品デモ用のスタータープロンプト（そのままコピー可能）：

Read this as a calm product trainer.
Keep the pace steady and slightly upbeat.
Do not sound like an ad.
Pause briefly before each action step.
Emphasize the result sentence at the end.

Script:
Welcome to the new workspace approval flow.
[short pause]
Open Requests.
Select the pending item.
Choose Approve.
[short pause]
You will now see the request move into the completed queue.

社内トレーニング用のスタータープロンプト（そのままコピー可能）：

Read this as an experienced operations lead.
Use a clear, patient tone.
Slow down slightly on policy terms.
Add a short pause before each warning.

Script:
Before you export customer data, verify the request reason and ticket ID.
[short pause]
Do not send the file to a personal email address.
[short pause]
If the customer asks for a correction, update the CRM record first and then regenerate the export.

2 人のウォークスルーが必要な場合、Google のドキュメントには複数話者 TTS も記載されている。トレーナーとユーザーのような短いデモ対話に便利だ。

構成例：

Make Speaker1 sound calm and instructive.
Make Speaker2 sound curious and slightly unsure.

Speaker1: Open the analytics dashboard.
Speaker2: Do I need admin access for this step?
Speaker1: No. Viewer access is enough for this report.

ステップ 3：まず Google AI Studio でテストする

2026-04-16 時点で、Google は Gemini 3.1 Flash TTS が Google AI Studio でプレビューとして利用可能だとしている。アプリケーションコードを書く前にまずここでテストする。

AI Studio が最初の一歩として正しい理由：

• スクリプトが使えるかどうかを最速で確認できる
• エンジニアリングを巻き込まずにディレクション指示をイテレーションできる
• Google によれば、音が良ければ最終設定を Gemini API コードとしてエクスポートできる

AI Studio でのゴールは完璧ではない。3 つの質問に素早く答えること：

1. 音声がスクリプトを自然に読んでいるか？
2. 音声タグが実際にペースを期待する方向に動かしているか？
3. 製品名・略語・機能ラベルの発音が正しいか？

どれか 1 つでも「いいえ」なら、ワークフローをスケールする前にスクリプトを直す。

ステップ 4：確定した設定を Gemini API にエクスポートする

Google の発表によると、AI Studio は最終的な音声設定を Gemini API コードとしてエクスポートできる。これが重要なのは、1 回限りのスタジオ実験を再現可能なコンテンツ工程に変えるからだ。

運用パターン：

• コンテンツまたはプロダクトマーケティングがスクリプトを書く
• 担当者が AI Studio でトーン・ペース・ポーズを調整する
• 検証済みの設定をコードに移行し、再現可能な生成を実現する

ここまで来れば Gemini は目新しさだけの存在ではなくなる。リリースワークフロー、ヘルプセンターのコンテンツ制作、ローカライズされたオンボーディング素材に組み込める。

ステップ 5：公開前に基本 QA を実施する

最初のテイクをそのまま公開しない。

チェックリスト：

• 発音：製品名・API 名・略語・顧客用語が正しく発音されている
• ペース：ステップ説明が追いつける速さで、かつ間延びしていない
• ストレス：重要なアクションが強調され、関係ない単語ではない
• ポーズ位置：操作・警告・結果文の前に短いポーズがある
• トーンの適合：社内トレーニングは落ち着いて明瞭であり、広告調ではない
• 長さ：30 秒のデモがナレーション後も簡潔に感じられる

優れた TTS ワークフローでも人間の最終承認は必要だ。ポイントは編集時間の短縮であって、判断の省略ではない。

Gemini 3.1 Flash TTS が今得意なこと

2026-04-16 に確認した Google の発表とドキュメントに基づくと、Gemini 3.1 Flash TTS は以下の用途で有力な候補になる：

上記はすべてスクリプト主導のタスクであり、このモデルがオープンエンドな会話よりトレーニングやデモで便利に感じられる理由でもある。

声に出して言うべき制限

新しいリリースを過大評価しない。

2026-04-16 時点で確認した Google 公式ソースが示す境界：

• まだプレビューモデルであり、料金・レートリミット・挙動は変わりうる
• モデルカードには Flash TTS のテキスト入力上限 16K と記載
• モデルカードには音声出力上限 32K トークンと記載
• 30 のプリセット音声（Zephyr、Puck、Kore、Charon、Fenrir ほか 25 種）が提供され、カスタム音声アップロードやクローンワークフローはない
• ストリーミング非対応——TTS は 1 回のレスポンスで完全な音声ファイルを返すため、生成しながら再生することはできない
• Google は制御可能な TTS として位置づけており、汎用のライブ対話音声プロダクトではない
• 生成されるすべての音声に SynthID ウォーターマークが付き、ポリシーレビューや外部配布で確認が必要になる場合がある

実務上の制約として、ワークフローの成熟度がある。チームが別のベンダーですでに完成された後処理チェーンを持っている場合、Gemini がスピードまたはコストで勝たなければ切り替えの正当化は難しい。

注意すべき料金

2026-04-16 時点で、Google の Gemini 料金ページは Gemini 3.1 Flash TTS Preview を以下のように記載：

• Standard ティア：無料
• Batch ティア：テキスト入力 100 万トークンあたり $1.00、音声出力 100 万トークンあたり $20.00

Google はまた、音声トークンは 1 秒あたり 25 トークンに相当すると注記している。

比較として、旧版 Gemini 2.5 Flash TTS の Batch 価格は $0.50/$10.00 と低く、Gemini 2.5 Pro TTS は 3.1 Flash と同じ $1.00/$20.00。無料の Standard ティアのおかげで、Batch 本番投入を決定する前に 3.1 Flash TTS をゼロコストで試用できる。

プロダクトチーム向け実践ワークフロー

再現可能なプロセスが必要なら、以下を参考にする。

最小ワークフロー

1. プレーンテキストでスクリプトを下書きする
2. 声に出して読んで不自然な文を短くする
3. ペース指示と音声タグを追加する
4. AI Studio でテストする
5. 発音の問題を修正する
6. 音声を再利用する場合は Gemini API にエクスポートする
7. 承認済みのプロンプトパターンをスクリプトテンプレートと一緒に保存する

チーム分担

• コンテンツオーナー：スクリプトを書く
• プロダクトオーナー：事実正確性と UI 文言を確認する
• オペレーター：プロンプト・ポーズ・強調を調整する
• レビュアー：発音とトーンを最終承認する

退屈に見える——良いことだ。レビューパスが再現可能であるほど、モデルは実用的になる。

Gemini 3.1 Flash TTS を使わないほうがいいとき

リリース後でも、デフォルトにすべきでないケースはある。

使わないほうがいい場合：

• 組織がプロダクション環境でプレビューモデルの使用を許可していない
• プロジェクトが特定のクローンボイスアイデンティティに依存している
• 音声が深く組み込まれた外部ポストプロダクションチェーンを通す必要があり、ツール切り替えコストが高い
• 固定スクリプトからの TTS ではなく、リアルタイムのインタラクティブ音声ループが実際に必要

モデルへの批判ではない。優秀な TTS リリースと万能の音声ソリューションの違いに過ぎない。

よくある質問

Gemini 3.1 Flash TTS は製品デモに向いていますか？

はい、最も明確な初期ユースケースの 1 つだ。制御可能な TTS 向けに設計されており、Google の現行ドキュメントはペース・トーン・スタイル・複数話者生成を明示的にサポートしている。製品ウォークスルーや社内トレーニング音声との相性が良い。

Gemini 3.1 Flash TTS は多言語に対応していますか？

はい。Google の 2026-04-15 発表で、Gemini 3.1 Flash TTS は 70 以上の言語をサポートすると記載されている。

使う前にコードを書く必要がありますか？

いいえ。2026-04-16 時点で、Google は Google AI Studio でプレビューとして公開しているとしており、コードにエクスポートする前にスクリプトとプロンプト方向をテストできる。

Gemini 3.1 Flash TTS はリアルタイム音声エージェントモデルと同じですか？

違う。Google の TTS ドキュメントはこのワークフローを Live API と分離している。Gemini TTS は制御可能なスクリプトベースの音声生成用であり、Live API はインタラクティブ音声とマルチモーダルセッション用だ。

チームが最もよくやる間違いは？

悪いスクリプトをプロンプトの改善で直そうとすること。プロンプト制御は役立つが、そもそも声に出して読む前提で書かれていないテキストは救えない。

まとめ

Gemini 3.1 Flash TTS は今週リリースされた AI 音声ツールの中でも実用性が高い部類に入る。ニュースの見出しを、チームが実際に使えるワークフローに変えてくれるからだ。

デモ・リリース動画・社内トレーニング用に素早くナレーションが必要なチームなら、今テストする価値がある。試す理由はハイプではない。Google が制御可能な TTS モデル、AI Studio でのイテレーション環境、複数話者出力、70 以上の言語カバレッジ、プロンプト調整から API エクスポートへの直通パスを揃えたことだ。

短編音声制作を実質的に楽にするには十分だ。

検証メモ

2026-04-16 に Google 公式ソースに基づき検証。

主要ソース：

• Google 発表：https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-1-flash-tts/
• Gemini API TTS ドキュメント：https://ai.google.dev/gemini-api/docs/speech-generation
• Gemini 料金：https://ai.google.dev/gemini-api/docs/pricing
• Gemini 3.1 Flash Audio モデルカード：https://deepmind.google/models/model-cards/gemini-3-1-flash-audio/

検証項目：

• リリース日とロールアウト先（Gemini API、AI Studio、Vertex AI、Google Vids）
• 70 以上の言語サポート
• 30 のプリセット音声
• 音声タグと複数話者サポート
• Gemini API と Google AI Studio でのプレビューステータス
• SynthID ウォーターマーク
• TTS のストリーミング非対応
• Gemini 3.1 Flash TTS Preview の料金（Standard：無料、Batch：100 万トークンあたり $1.00/$20.00）
• モデルカード制限：テキスト入力 16K、音声出力 32K トークン
• Artificial Analysis TTS リーダーボード Elo スコア（1,211）