主な変更点
Google は、Gemini 3.1 世代の最新モデルとして、高性能な音声合成（Text-to-Speech）に特化した「Gemini 3.1 Flash TTS Preview」を公開しました。
- Steerable な音声合成: 感情（喜び、悲しみ、驚きなど）のトーンや、話速、ピッチなどを AI への指示によって動的に調整可能です。
- 表現力の向上: 従来のルールベースや単純な NN ベースの TTS と比較して、文脈に応じた極めて自然な抑揚（プロソディ）を実現しています。
- Flash 性能の継承: Gemini 3.1 Flash 譲りの圧倒的な低コスト・低遅延を実現しており、リアルタイムな対話アプリやカスタマーエージェントに最適です。
影響や使いどころ
単一の音声キャラクターだけでなく、状況に応じて振る舞いを変えるバーチャルアシスタントや、感情豊かなストーリーテリングが可能になります。また、低コストなため大規模なコンテンツの音声化にも対応しやすく、アクセシビリティ対応やオーディオブック生成、さらには教育アプリなどへの応用が期待されます。開発者は Gemini API 経由で、既存のテキスト生成ワークフローとシームレスに統合できます。
まとめ
Gemini 3.1 Flash TTS は、マルチモーダル AI の出力をより人間らしいインタラクションへと昇華させる重要なコンポーネントです。「声」による表現力が加わることで、AI と人間の距離はより一層縮まっていくでしょう。