実用レシピ集 ─ すぐ使える5つの実践チュートリアル

自分の声をクローンして、ブログや note 記事を自動朗読させる

「記事を書くだけで、自分の声のオーディオ版も同時に公開したい」というクリエイターやメディア運営者に最も人気の高いユースケースです。コスパと速度に優れた gemini-3.8-flash-lite-tts を使えば、5分（300秒）の記事でも約 $0.045（約7円）で自分の声のナレーションに変換できます。

実装のポイント：長文記事を分割合成して「ブチッ」というノイズなく結合する

1回のリクエスト上限は出力 16,384 トークン（約10.9分）ですが、3,000〜5,000字以上の長文記事を安定して読み上げさせるには、見出し（H2）ごとに分割してリクエストし、1本の音声ファイルに結合するのがベストプラクティスです。

このとき、Gemini 3.8 TTS の一括出力（audio/wav）には先頭 44 バイトの RIFF WAV ヘッダが含まれるため、単純にバイト列を連結するとつなぎ目で「ブチッ」とクリックノイズが鳴ります。生 PCM（audio/l16）で受け取って最後に1回だけ WAV ヘッダを付けると、つなぎ目が完全にシームレスになります。

import base64
import wave
from google import genai

client = genai.Client()

def generate_article_audiobook(
    paragraphs: list[str],
    cloned_voice_id: str,
    output_wav_path: str = "article_narration.wav"
) -> None:
    """クローンした自分の声で長文記事を段落ごとに合成し、1本のWAVにシームレス結合する"""
    pcm_chunks: list[bytes] = []

    for idx, text in enumerate(paragraphs, 1):
        print(f"段落 {idx}/{len(paragraphs)} を合成中...")
        interaction = client.interactions.create(
            model="gemini-3.8-flash-lite-tts",  # 大量生成・記事朗読は Flash-Lite が最適！
            input=[{
                "role": "user",
                "content": [{
                    "type": "text",
                    "text": f"<breath> {text} <short pause>",
                    "speech_metadata": {
                        "style": "calm, articulate, and engaging blog narrator, steady pace"
                    }
                }]
            }],
            generation_config={
                "response_modalities": ["AUDIO"],
                "speech_config": {
                    "voice": cloned_voice_id,
                    # ヘッダなしの 24kHz 16-bit PCM で受け取ることで結合時のクリックノイズをゼロにする
                    "response_format": {
                        "mime_type": "audio/l16",
                        "sample_rate": 24000
                    }
                }
            }
        )
        for out in interaction.outputs:
            if out.type == "audio":
                pcm_chunks.append(base64.b64decode(out.data))

    # 全チャンクの PCM を結合し、先頭に1回だけ WAV ヘッダを書いて保存
    with wave.open(output_wav_path, "wb") as wf:
        wf.setnchannels(1)       # モノラル
        wf.setsampwidth(2)       # 16-bit (2 bytes)
        wf.setframerate(24000)   # 24kHz
        wf.writeframes(b"".join(pcm_chunks))

    print(f"完了！ {output_wav_path} を出力しました。")

2人のAIホストが相づちを打ちながら解説するポッドキャスト番組を作る

NotebookLM の Audio Overview のような「2人のパーソナリティが自然に相づち（|うんうん|、|なるほど|）を重ねながら楽しく解説するラジオ番組」を、自社のニュース記事や社内報から自動生成するレシピです。相づちの重なりや笑いのニュアンスを最大限に引き出すため、ここはフラッグシップの gemini-3.8-flash-tts を使います。

import base64
from pathlib import Path
from google import genai

client = genai.Client()

# 2人のホスト（Misaki: Aoede / Kenta: Puck）による掛け合い台本
dialogue_turns = [
    {
        "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",
        # パイプ |...| で囲んだ言葉は、Misaki が話している最中に Kenta の声で自然に重なる！
        "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"}
    },
    {
        "type": "text",
        "text": "確かに！一人が話し終わるのをただ待つだけじゃなくて、生きている会話って感じがしますね。",
        "speech_metadata": {"speaker": "Kenta", "style": "impressed and upbeat"}
    }
]

interaction = client.interactions.create(
    model="gemini-3.8-flash-tts",
    input=[{"role": "user", "content": dialogue_turns}],
    generation_config={
        "response_modalities": ["AUDIO"],
        "speech_config": {
            "speakers": [
                {"speaker": "Misaki", "voice": "Aoede"},
                {"speaker": "Kenta", "voice": "Puck"}
            ]
        }
    }
)

for out in interaction.outputs:
    if out.type == "audio":
        Path("podcast_episode.wav").write_bytes(base64.b64decode(out.data))

ゲーム・アニメ・VTuber向けのドラマチックな感情セリフ演出

RPG のバトルボイスやノベルゲームのイベントシーンでは、「息を切らしながら叫び、直後に静かに息を吐いて決意を固める」といった激しい緩急が求められます。<pant>、<exhales>、<short pause> の3つのタグと style を組み合わせた実音声を聴いてみましょう。

低遅延ストリーミングと Gemini 3.5 Transcribe で作るリアルタイム音声対話エージェント

スマートスピーカーや接客・窓口 AI のように「ユーザーが話し終えたら即座に返答を話し始める」システムでは、全文の音声合成が終わるのを待っていては遅すぎます。

stream=True を有効にすると、生成された端から ヘッダなしの 24kHz 16-bit モノラル PCM チャンク（audio/l16） が次々に届きます。これを Step 1 で紹介した Gemini 3.5 Transcribe（SMART モード） と組み合わせることで、人間と遜色ないテンポの音声対話が完成します。

import base64
from google import genai

client = genai.Client()

# ストリーミング音声合成（stream=True）
# ※ チャンクはヘッダなしの生 PCM（audio/l16, 24kHz, 16-bit mono）として順次届く
stream = client.interactions.create(
    model="gemini-3.8-flash-lite-tts",
    stream=True,
    input=[{
        "role": "user",
        "content": [{
            "type": "text",
            "text": "お電話ありがとうございます、さくらクリニック予約窓口でございます。<breath> 本日は診察のご予約でしょうか、それとも予約日時のご変更でしょうか？",
            "speech_metadata": {
                "style": "polite, warm, and clear Japanese receptionist, natural conversational pace"
            }
        }]
    }],
    generation_config={
        "response_modalities": ["AUDIO"],
        "speech_config": {
            "voice": "Kore"
        }
    }
)

for chunk in stream:
    if getattr(chunk, "delta", None) and chunk.delta.type == "audio":
        raw_pcm_bytes = base64.b64decode(chunk.delta.data)
        # 届いた 24kHz 16-bit PCM チャンクをそのまま WebSocket やスピーカー出力へ流す！
        print(f"受信チャンク: {len(raw_pcm_bytes)} bytes")

Cloudflare Workers + R2 で作る「ゼロ遅延・超低コスト」音声キャッシュ API ＆ 電話 IVR 連携

Web サイトの記事読み上げボタンやゲームの定型ボイス、電話自動応答（IVR）では、同じテキストの音声を毎回 API で再生成するのはコストも時間ももったいないですよね。

Cloudflare Workers（$5 Paid プラン）と Cloudflare R2（エグレス通信料無料）を前段に置けば、以下の2つの強力なメリットが得られます。

• 1度生成した音声はエッジ（R2）から 15ミリ秒以下で即座に配信され、2回目以降の Gemini TTS API 課金が $0（完全無料）になる。
• Twilio 等の電話回線（IVR）に流す場合も、Gemini 3.8 TTS の response_format で "mime_type": "audio/mulaw", "sample_rate": 8000（または audio/alaw） を指定すれば、Workers 側で重い音声トランスコード処理を一切行わずに電話回線へ直結できる。

// src/pages/api/tts-cache.ts （Astro 7 + Cloudflare Workers / R2 の実装例）
import type { APIRoute } from 'astro';
// Astro 7 / @astrojs/cloudflare v14 では cloudflare:workers から直接 env を import する
import { env } from 'cloudflare:workers';
import { z } from 'astro/zod';

const RequestSchema = z.object({
  text: z.string().min(1).max(2000),
  voice: z.string().default('Kore'),
  style: z.string().default('natural, clear Japanese narration'),
  model: z.enum(['gemini-3.8-flash-tts', 'gemini-3.8-flash-lite-tts']).default('gemini-3.8-flash-lite-tts'),
  // Web再生なら audio/wav (24kHz)、電話回線(Twilio等)なら audio/mulaw (8kHz)
  format: z.enum(['wav24k', 'mulaw8k']).default('wav24k'),
});

export const POST: APIRoute = async ({ request }) => {
  const parsed = RequestSchema.safeParse(await request.json());
  if (!parsed.success) {
    return new Response(JSON.stringify({ error: parsed.error.flatten() }), { status: 400 });
  }
  const { text, voice, style, model, format } = parsed.data;

  // 1. パラメータの SHA-256 ハッシュを計算して R2 のキャッシュキーにする
  const rawKey = JSON.stringify({ model, voice, style, text, format });
  const digest = await crypto.subtle.digest('SHA-256', new TextEncoder().encode(rawKey));
  const hashHex = [...new Uint8Array(digest)].map((b) => b.toString(16).padStart(2, '0')).join('');
  const ext = format === 'mulaw8k' ? 'ulaw' : 'wav';
  const r2Key = `tts-cache/${hashHex}.${ext}`;

  // 2. R2 にキャッシュがあれば API を叩かずに即座に返す（課金ゼロ＆超高速）
  const cached = await env.TTS_AUDIO_BUCKET.get(r2Key);
  if (cached) {
    return new Response(cached.body, {
      headers: {
        'Content-Type': format === 'mulaw8k' ? 'audio/basic' : 'audio/wav',
        'X-TTS-Cache': 'HIT',
      },
    });
  }

  // 3. キャッシュミス時は Gemini 3.8 TTS (Interactions API) で生成
  const responseFormat =
    format === 'mulaw8k'
      ? { mime_type: 'audio/mulaw', sample_rate: 8000 }
      : { mime_type: 'audio/wav', sample_rate: 24000 };

  const apiRes = await fetch('https://generativelanguage.googleapis.com/v1beta/interactions', {
    method: 'POST',
    headers: {
      'Content-Type': 'application/json',
      'x-goog-api-key': env.GEMINI_API_KEY,
    },
    body: JSON.stringify({
      model,
      input: [{
        role: 'user',
        content: [{ type: 'text', text, speech_metadata: { style } }],
      }],
      generation_config: {
        response_modalities: ['AUDIO'],
        speech_config: { voice, response_format: responseFormat },
      },
    }),
  });

  if (!apiRes.ok) {
    return new Response(await apiRes.text(), { status: apiRes.status });
  }

  const data = (await apiRes.json()) as { outputs: Array<{ type: string; data?: string }> };
  const audioOut = data.outputs.find((o) => o.type === 'audio');
  if (!audioOut?.data) {
    return new Response('Audio output missing', { status: 502 });
  }

  const audioBytes = Uint8Array.from(atob(audioOut.data), (c) => c.charCodeAt(0));

  // 4. R2 バケットに保存して次回からエッジ配信
  await env.TTS_AUDIO_BUCKET.put(r2Key, audioBytes, {
    httpMetadata: { contentType: format === 'mulaw8k' ? 'audio/basic' : 'audio/wav' },
  });

  return new Response(audioBytes, {
    headers: {
      'Content-Type': format === 'mulaw8k' ? 'audio/basic' : 'audio/wav',
      'X-TTS-Cache': 'MISS',
    },
  });
};