本日、表現力、制御性、そして品質を向上させた最新のテキスト読み上げ（text-to-speech）モデルである「Gemini 3.1 Flash TTS」を発表します。これにより、開発者、企業、そして日常のユーザーが、次世代のAI音声アプリケーションを構築できるようになります。

本日より、3.1 Flash TTS の提供を順次開始します：

• Gemini API および Google AI Studio を通じたプレビューとして、開発者向け
• Vertex AI 上でのプレビューとして、企業向け
• Google Vids を通じた Workspace ユーザー向け

音声品質と制御性の向上

私たちは Gemini 3.1 Flash TTS の音声品質全体を改善し、これまでで最も自然で、表現力の高いモデルを実現しました。数千の「ブラインド（評価者が条件を知らない）人間の好み」を捉えるベンチマークである Artificial Analysis TTS リーダーボード において、3.1 Flash TTS は見事な Elo スコア 1,211 を達成しました。

Artificial Analysis は、Gemini 3.1 Flash TTS を、品質の高い音声生成と低コストを理想的に両立したため、同社の「最も魅力的なクワドラント」にも位置付けています。このモデルはさらに、ネイティブのマルチ話者による対話、70 以上の言語への対応、そして自然言語によるきめ細かな創造的コントロールによって際立っています。

より表現力のある音声生成のための新しいオーディオタグ

3.1 Flash TTS は、オーディオタグも導入します。これは、声のスタイル、テンポ、そして話し方（デリバリー）を直感的に制御する方法です。自然言語の指示をテキスト入力に直接埋め込むことで、より高い粒度で AI 音声の出力を導くことができます。

これらの audio タグと、Google AI Studio の開発者体験向けの他のアップデートを、設定可能なコントロールとともに試してみることができます。これにより、開発者は「監督の椅子」に座ることができます。

• シーン指示： 環境を定義し、具体的なセリフの指示を与えることで、舞台を設定します。このワールド構築の文脈により、登場人物は複数ターンにわたって「そのキャラクターらしく」いられ、互いに自然に反応できるようになります。
• 話者レベルのきめ細かさ： 一意の Audio Profiles を使ってキャラクターをキャスティングし、そのうえで Director’s Notes を指定してテンポ、トーン、アクセントを切り替えます。インラインタグ を使うことで、話者はこれらの高度な設定から、文中の途中で表現を変える方向へ切り替えられます。
• シームレスなエクスポート： パフォーマンスが完成したら、これらの正確なパラメータを Gemini API のコードとしてエクスポートできるため、さまざまなプロジェクトやプラットフォーム間で、一貫して認識できる声を確保できます。

これらの新しい設定により、開発者は特定のシナリオに対する精度を高め、印象に残るキャラクターや没入感のある音声体験を作り出せます。

グローバルな規模に対応

Gemini 3.1 Flash TTS は、高精細な音声と、70 以上の言語にわたるより正確な制御を提供します。これらの中核となる最適化により、主要市場で高度なスタイル、テンポ、アクセントの制御が可能になり、グローバルな規模で、ローカライズされた表現力豊かな音声体験をユーザーに届けるのを支援します。

初期の開発者およびエンタープライズのテスターはすでに 3.1 Flash TTS の効果を実感しており、その優れた制御性と表現力が際立っていると述べています。audio タグによって、単純なテキストが高精細なボーカルのパフォーマンスへと変わる、新しいレベルの創造的な精度が得られることを、私たちに教えてくれました。