Gemini 3.8 Flash TTS vs Flash-Lite TTS徹底比較とボイスカタログ

1. 一目でわかる 3.8 Flash TTS と 3.8 Flash-Lite TTS の違い

第三者評価機関である Hume AI の総合品質インデックス（Overall Quality Index）において、Gemini 3.8 Flash TTS が世界 1 位、Gemini 3.8 Flash-Lite TTS が僅差で世界 2 位を獲得しています。さらにブラインド聴取テストの Voice Arena でも、日本語を含む主要言語でトップの評価を得ています。

2. 実音声で聴き比べ：Flash TTS vs Flash-Lite TTS

全く同じプロンプト（ボイス：Kore、スタイル："empathetic customer concierge, warm and reassuring"、文頭に <sigh> と <short pause> 入り）を両モデルに投げて生成した日本語音声です。

3. 音声トークンの計算方法と料金シミュレーター

Gemini 3.8 TTS の課金体系はとてもシンプルです。生成された音声 1 秒につき 25 トークン（25 audio tokens/sec）として計算されます。たとえば 10 秒の音声なら 250 トークン、1 分の音声なら 1,500 トークンです。下のスライダーを動かして、あなたのプロジェクトでの月額コストを試算してみてください。

4. すぐ使える30種類のスタジオ標準ボイス（日本語試聴つき）

Gemini 3.8 TTS には、天体や神話にちなんだ名前を持つ 30種類のプリセット・スタジオボイスが標準搭載されています。すべてのボイスが多言語に対応しており、日本語のテキストを渡せば自動的に流暢な日本語で発話します。まずは代表的な 6 種類の声を実際に聴いてみましょう。

全30種類 スタジオプリセットボイス一覧表（検索・フィルタ対応）

用途やキャラクターのイメージに合わせて最適な声を選べるよう、全30ボイスの特徴と推奨シーンをまとめました。

さらに2,000種類以上！「Extended Voice Library」の検索API

標準の30種類だけでなく、client.voices.list()（GET /v1beta/voices）を呼び出すことで、言語・地域アクセント・声の高さ・利用ドメイン（Audiobook, Conversational, News など）を指定して 2,000種類以上の拡張ボイスライブラリから検索できます。

from google import genai

client = genai.Client()

# 日本語 (ja-JP) のプリセット音声を一覧検索する例
response = client.voices.list(
    language_code=["ja-JP"],
    contexts=["Audiobook", "Conversational"],
    type_=["prebuilt"],
    page_size=50,
)

for voice in response.voices or []:
    print(f"{voice.id} | {voice.display_name} ({voice.gender}, pitch={voice.pitch}): {voice.description}")

5. 旧モデル（3.1 Flash TTS Preview 等）からの移行 5つのチェックポイント

すでに gemini-3.1-flash-tts-preview や gemini-2.5-flash-preview-tts を使っているプロジェクトを 3.8 にアップグレードする際は、以下の 5 点を更新してください。

1. ト書き（演出指示）を本文から speech_metadata.style へ移動する
   3.8 では text フィールドは「一字一句そのまま声に出して読む台本」として厳密に扱われます。本文中に "明るく元気よく: こんにちは" と書くとそのまま読み上げてしまうため、演出指示は必ず speech_metadata.style に分離してください。
2. 山括弧 <...> は瞬間的な人間の非言語音だけに使う
   <laugh>、<sigh>、<cough>、<short pause> などの山括弧タグは本文中にそのまま配置できます。ただし拍手や爆発音などの効果音（SE）タグは入れず、全体の話し方は style に入れましょう。
3. 複数話者（Multi-speaker）ではすべてのターンに speaker を明記する
   2話者対話リクエストでは、各パートの speech_metadata に必ず設定済みの話者名（speaker）を含める必要があります。
4. 長文の「Audio Profile / Director's Notes」は Voice Design の固定IDに置き換える
   毎回長いキャラクター設定をプロンプトで送ると声ブレの原因になります。先に Voice Design（Step 4 で解説）でカスタム音声を作成し、発行された voice_... ID を使い回す設計に移行しましょう。
5. 一括リクエストの戻り値が「生PCM」から「RIFFヘッダ付きWAV」に変わった点に注意！
   3.1 までは一括リクエストでもヘッダなし生 PCM（audio/l16）が返っていたため、Python の wave モジュール等で手動で WAV ヘッダを付与していました。3.8 では最初から完全な WAV（audio/wav）が返るため、二重にヘッダを付けないよう既存のラッパー処理を削除してください（生 PCM が欲しい場合は response_format で "mime_type": "audio/l16" を明示指定します）。