自分の声をクローンする＆理想の声をゼロからデザインする

1. Google AI Studio 音声生成プレイグラウンド（別タブで開く ↗） にアクセスします。
2. 画面中段の「Explore thousands of voices」セクション左端にある 「+ Create new voice」 カードをクリックします。
3. ポップアップ画面（「Create voice」）が表示されたら、右側の 「Voice Replication」 カードをクリックします。

初回やセッション開始時には、「ボイス レプリケーションは有料の階層で実行されます」という確認画面が表示されます。

1. プロジェクトを選択 と キーを選択 の欄で、お支払い情報（請求先）を設定済みのプロジェクトと API キーが選ばれていることを確認します（まだの方は 事前準備の手順 2 を参照）。
2. 右下の 「リンクして続行」 ボタンをクリックします。

録音画面（Create voice · Voice Replication）が開きます。まずはあなたの声質や話し方のクセを AI に覚えさせるためのサンプル音声を録音します。

1. Name your voice（ボイス名） の入力欄（最初は My Persona となっています）に、自分がわかりやすい名前を入力します（例：My Japanese Voice や Tanaka Narrator など）。
2. 1 · Add a voice sample の下にある 「Record your voice」 ボタンをクリックします（ブラウザ上部に「マイクの使用を許可しますか？」と出たら 「許可」 を押してください）。
3. 録音が始まったら、普段人と話しているような自然な抑揚で20秒ほど日本語で話します。何を話せばいいか迷う方は、下の「そのまま読める20秒サンプル原稿」のどれか1つを声に出して読んでください。
4. 読み終わったら録音停止ボタンを押します。右側のプレビュー欄にある Voice sample にチェックが付きます。

続いて、今録音したサンプル音声が他人の無断録音ではなくあなた自身の声であることを証明するため、画面に表示されている本人確認フレーズを読み上げます。

1. 2 · Verify it's you の下にある 「Record verification」 ボタンをクリックします。
2. グレーの枠内に表示されている以下の英文（または日本語表示環境では日本語文）を、そのまま声に出して読み上げ、録音停止ボタンを押します。

3. 右側の Voice sample と Verification の両方にチェックが入ると、一番下の 「Replicate voice」 ボタンが押せるようになります。
4. 「Replicate voice」 をクリックします。数秒〜10秒ほどで声の複製が完了し、あなたの専用ボイスが保存されます！

クローン音声の登録が完了したら、いよいよその声に好きな文章を喋らせてみましょう。

1. Google AI Studio の音声生成トップ画面にある 「+ Create new dialog」 をクリックします（クローン作成直後に自動でこの画面に切り替わった場合はそのままでOKです）。
2. 入力枠の左上にある話者ボタン（初期値は Speaker 1 - Fola ▾ などになっています）をクリックし、一覧の中からSTEP A-3で名前を付けた自分のクローン音声を選択します。
3. 必要に応じて隣の Style ▾ に演技の指示（例：落ち着いて親しみやすいポッドキャストの語り口で）を入力したり、< > + Expression から <breath>（息継ぎ）や <chuckle>（微笑み声）を挿入します。
4. 中央のテキスト入力欄に、自分の声で喋らせたい日本語の文章を自由に入力します（英語で本人確認をした場合でも、ここには日本語の文章を入れて流暢な日本語を喋らせることができます！）。
5. 画面右下の 「Run ⌘ ↵」 ボタンをクリックします。数秒待つと音声が生成されて自動再生され、再生プレイヤー右端のダウンロードボタンから音声ファイル（.wav）をパソコンに保存できます！

静かな部屋で、スマートフォンの録音アプリ（iPhone の「ボイスメモ」や Android の「レコーダー」）または PC の録音アプリを使い、以下の2つの音声を別々に録音して、事前準備の手順 3 で作成した gemini-tts-work フォルダ（.env があるフォルダ）に保存します（ファイル形式は .m4a・.mp3・.wav のどれでも構いません）。

録音した2つのファイル（例：source_raw.m4a と consent_raw.m4a）を作業フォルダに置いたら、Claude（Claude Code / Cowork）、ChatGPT（Codex）、Antigravity CLI 等を開き、下のプロンプトをそのままコピー＆ペーストして送信してください。

このフォルダにある録音ファイルを使って、Gemini 3.8 Flash TTS のボイスクローン登録と読み上げ音声の生成を一括実行してください。

【セキュリティと実装ルール（厳守）】
- APIキー保護: `.env` から `GEMINI_API_KEY` を読み込むこと。`cat .env` や `echo`、`print`、`curl -v` 等でキーの値を画面やログに絶対に出さないこと。
- 依存ゼロ実行: `pip install` による環境エラーを避けるため、Python 3 標準ライブラリ（`urllib.request`, `json`, `base64`, `wave`, `subprocess`, `pathlib`）のみでスクリプトを作成・実行すること。

【手順1：音声ファイルの規格変換と事前チェック】
1) `ffmpeg` で以下の2ファイルを「24000Hz・モノラル(1ch)・16-bit PCM WAV」に変換してください（元の拡張子が `.m4a` / `.mp3` / `.wav` のいずれでも対応すること）。
   - サンプル音声: `source_raw.*` → `source_audio.wav`
   - 本人同意音声: `consent_raw.*` → `consent_audio.wav`
   （コマンド例: `ffmpeg -y -i source_raw.m4a -ar 24000 -ac 1 -c:a pcm_s16le source_audio.wav`）
2) Python の `wave` モジュールで `source_audio.wav` の長さを確認し、推奨範囲（10秒〜30秒）に収まっているかチェックしてください。

【手順2：Voices API でボイスクローン登録】
- エンドポイント: `POST https://generativelanguage.googleapis.com/v1beta/voices`
- ヘッダー: `x-goog-api-key: `, `Content-Type: application/json`
- リクエストJSON:
  ```json
  {
    "type": "replicated",
    "name": "my-japanese-narrator-v1",
    "language_code": "ja-JP",
    "store": true,
    "source_audio": {"mime_type": "audio/wav", "data": ""},
    "consent_audio": {"mime_type": "audio/wav", "data": ""}
  }
  ```
- 返却された JSON の `"id"`（例: `voice_...`）または `"voice_key"` を `voice_id.txt` に保存してください（HTTP 400 等が返った場合はエラー本文の理由を日本語で解説してください）。

【手順3：クローンした私の声で指定テキストを喋らせる】
- エンドポイント: `POST https://generativelanguage.googleapis.com/v1beta/interactions`
- リクエストJSON:
  ```json
  {
    "model": "gemini-3.8-flash-tts",
    "input": [{
      "role": "user",
      "content": [{
        "type": "text",
        "text": "皆さんこんにちは。 この音声は、わずか30秒のサンプル録音から複製された私のボイスクローンが自動で読み上げています。 ブログ記事や資料の音声化も一瞬で完了します。",
        "speech_metadata": {"style": "natural, warm, and articulate Japanese podcast narrator"}
      }]
    }],
    "generation_config": {
      "response_modalities": ["AUDIO"],
      "speech_config": {"voice": "<手順2で取得したid>"}
    }
  }
  ```
- レスポンスの Base64 音声データ（`outputs[].data` または `steps[].content[].data`）をデコードして `my_cloned_speech.wav` に保存し、`wave` モジュールで再生秒数を検証して報告してください。

一度ボイスクローン ID（voice_...）が発行されて voice_id.txt に保存されれば、2回目からは録音ファイルは一切不要です。エージェントに以下のように一言指示するだけで、どんな文章や Markdown ファイルでもあなたの声で読み上げさせられます。

`.env` の GEMINI_API_KEY（値は非表示）と `voice_id.txt` のボイスIDを使い、`article.md` の内容を Gemini 3.8 Flash-Lite TTS（`gemini-3.8-flash-lite-tts`）で読み上げさせて `article_narration.mp3` に保存してください。
長文の場合は見出しごとに分割して `audio/l16`（24000Hz・16-bit PCM）で取得し、クリックノイズが入らないよう結合してから `ffmpeg` で MP3（128kbps）に変換してください。