表現を操る演技ディレクション術

1. 最重要コンセプト：3レイヤー分離アーキテクチャ

前世代（Gemini 3.1 TTS など）では、自然言語プロンプトの中に「落ち着いた声で『こんにちは』と読んで」と指示もセリフも一緒に書いていました。しかしこの方法には、「ト書き（演技指示）まで間違えて声に出して読んでしまう」「長い文章の途中でキャラクター設定を忘れて声が変わってしまう」という弱点がありました。

Gemini 3.8 TTS（Interactions API）では、この問題を根本から解決するため、API のフィールド自体が 3つの独立したレイヤー に分かれています。

2. 実験：同じ声・同じセリフで「Direct（style）」だけを変えるとどうなる？

第2層（speech_metadata.style）の威力を体感してみましょう。以下の4つのサンプルは、すべて同じボイス（Algenib）かつ一字一句同じ日本語テキスト 「まさか、本当にこの計画が通るとは思っていませんでした。」 ですが、style の指定だけを変えています。

3. 非言語表現と「間」を刻むインラインタグ（全24種リファレンス）

人間が話すとき、言葉の合間には必ず「息継ぎ」「咳払い」「クスクス笑い」「ため息」などの非言語音（パラ言語表現）が入ります。Gemini 3.8 TTS では、セリフの好きな位置に山括弧のタグ（例：<sigh>）を埋め込むだけで、声質を保ったまま自然なアクションを演じます。

4. マルチパートターン：1つのセリフの途中で演技トーンを切り替える

「最初は普通に案内していたのに、途中から急に小声でヒソヒソ話になる」といった演出をしたいとき、音声を2回に分けて生成して結合すると、つなぎ目で声のトーンや空間の響きが不自然に途切れてしまいます。

そこで使うのが マルチパートターン（Multi-part turns） です。1つの turn の content 配列に複数のテキストブロックを並べ、ブロックごとに別々の speech_metadata.style を指定すると、1回の連続した音声として滑らかに演技が変化します。

# マルチパートターンのリクエスト構造（Interactions API）
{
  "model": "gemini-3.8-flash-tts",
  "input": [
    {
      "role": "user",
      "content": [
        {
          # パート1：明るく元気なツアーガイド
          "type": "text",
          "text": "皆さま、ジャングルクルーズへようこそ！右手に見えるのは樹齢三百年の大木です。",
          "speech_metadata": {
            "style": "cheerful and energetic safari tour guide projecting to a group"
          }
        },
        {
          # パート2：急に声を潜めて緊迫したささやき声へ
          "type": "text",
          "text": "<gasp> <short pause> しっ、静かに！茂みの奥で巨大なトラがこちらを見ています……絶対に動かないでください。",
          "speech_metadata": {
            "style": "urgent, tense whisper, terrified and hushed"
          }
        }
      ]
    }
  ],
  "generation_config": {
    "speech_config": { "voice": "Puck" }
  }
}

5. 2話者対話と「パイプ相づち（|うんうん|）」による掛け合い生成

従来の TTS で対話番組を作ろうとすると、話者Aの音声と話者Bの音声を別々に生成してタイムラインに並べるしかなく、「相手が話し終わるまで無言で待ち、0.5秒空けて話し始める」というロボットのような交互発話になりがちでした。

Gemini 3.8 TTS では、1回のリクエストで2人の話者を掛け合わせられるだけでなく、発言中のテキストにパイプ記号 |...| で1〜3語の短いリアクションを挟むだけで、もう一方の話者が「声を重ねて相づち（バックチャネル）を打つ」ことができます。

パイプ記号 |...| の2つの使い方

# 2話者対話＋パイプ相づちの実装コード（Interactions API）
{
  "model": "gemini-3.8-flash-tts",
  "input": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "こんにちは！今週のテック深掘りラジオへようこそ。今回は音声生成AIの進化について語ります。",
          "speech_metadata": {
            "speaker": "Misaki",
            "style": "bright, welcoming podcast host"
          }
        },
        {
          "type": "text",
          "text": "よろしくお願いします！いやあ、最近の音声モデルは本当にすごいですよね。",
          "speech_metadata": {
            "speaker": "Kenta",
            "style": "friendly, curious co-host"
          }
        },
        {
          "type": "text",
          # ↓ Misaki のセリフ中に |うんうん| |なるほど| を入れると Kenta の声で相づちが重なる！
          "text": "そうなんです。特に相づちが自然に重なるようになって |うんうん| まるで同じスタジオで向かい合って話しているみたいな |なるほど| 臨場感が出せるようになりました。<chuckle>",
          "speech_metadata": {
            "speaker": "Misaki",
            "style": "enthusiastic and expressive"
          }
        }
      ]
    }
  ],
  "generation_config": {
    "speech_config": {
      "speakers": [
        { "speaker": "Misaki", "voice": "Aoede" },
        { "speaker": "Kenta", "voice": "Puck" }
      ]
    }
  }
}

6. 固有名詞の読み方指定（IPA）と「やってはいけない」アンチパターン

専門用語やユニークな社名・キャラクター名などで読み方を厳密に指定したい場合は、日本語ならひらがな・カタカナ表記に置き換えるのが最も確実ですが、外国語や微妙なアクセント位置を指定したい場合はスラッシュ / ... / で囲んだ IPA（国際音声記号） を文中に直接記述できます。

# IPA（国際音声記号）による発音指定の例
"text": "本日のゲストは /nive/ さんです。東京の /niːhombäɕi/ スタジオからお届けします。"

長尺でも絶対に失敗しない！プロンプティング黄金ルール

7. 実践：3レイヤー・ディレクション＆コード生成シミュレーター

ここまでの知識を使って、実際に3つのレイヤーを組み立ててみましょう。プリセットを選ぶと実際の生成音声を試聴でき、下のフォームを書き換えると Python / TypeScript / cURL のリクエストコードがリアルタイムに生成されます。