Gemini 3.8 Flash TTSとは──Google Vidsのナレーションは日本語で使えるか

何が変わったか

Googleは、今回の2モデルを「これまでで最も表現力の高い音声モデル」と位置づけています。TTS（Text-to-Speech）は、入力した文章を人の声のような音声にする技術のことです。発表文で挙げられている主な内容は次のとおりです。

• ●役割・アクセント・声の特徴を文章で指示して、新しい声を一から作れる（100以上の言語と方言にまたがって、とされています）
• ●すぐ使える声のライブラリが2,000種類以上
• ●30秒の音声サンプルから、同じ声質を再現できる（ボイスクローニング）
• ●行ごとの演技指示、数時間にわたる長い音声、2人の掛け合いの場面づくりに対応
• ●声を微調整する「リミックス」は近日提供予定
• ●生成された音声には、聞こえない電子透かし「SynthID」が入る

提供先は2モデルで異なります。Flash TTSはGemini Notebook、Flash-Lite TTSはGoogle Vidsで、いずれも発表文では「For everyone」と書かれています。開発者向けには、両モデルともGemini APIとGoogle AI Studioで発表日から提供とされ、Gemini Enterpriseは「近日提供予定」です。

気になる「今、誰が・日本で使えるのか」ですが、対象プランと日本での提供状況は、発表文に記載がありません。料金の記載もありません。「For everyone」は「全員が使える」と読めますが、国やプランの範囲までは示されていないため、日本のどのプランで使えるかは未確定として扱うのが安全です。なお、Vidsの日本語ヘルプでは、AIナレーション機能を使うには対象のGoogle WorkspaceまたはGoogle AIのプランへの登録が必要と案内されています。

日本語については次の状況です。発表文には、人が聞き比べて好みを選ぶ評価「Voice Arena」で、日本語を含む主要言語で上位に入ったという記述と、日本の題材を使った音声サンプルへの言及があります。一方で、100以上の言語に日本語が含まれると明記した文はなく、VidsやGemini Notebookの日本語の画面で使えるとも書かれていません。参考までに、2026年4月の前モデル「Gemini 3.1 Flash TTS」は日本語を含む70以上の言語に対応と報じられ、Vidsの現行ヘルプにも日本語を含む24言語のAIナレーションという案内があります。ただし、これらが今回の3.8モデルでも同じとは、どちらの資料からも確認できません。

順位づけなどの評価結果は、Google側が示したものです。第三者が日本語の業務用途で検証した数字ではありません。また、Flash TTSとFlash-Lite TTSの性能差や料金差は、発表文からは読み取れませんでした。

業務での使いどころ

画面に出てくる場合、いちばん現実的なのは、Vidsで作る社内向け動画のナレーションです。ナレーションを録り直すたびに人の時間が取られている職場ほど、効果が出やすい部分です。

• ●向く仕事：社内研修・手順説明動画の仮ナレーション、商品やサービス紹介動画の下書き、社内向けお知らせ動画
• ●向かない仕事：読み間違いが許されない本番の案内音声、人名・地名・型番が多い原稿（確認なしでそのまま使うのは避ける）
• ●慎重に扱う仕事：他人の声の再現。発表文でも、声の再現には声の持ち主の同意録音が必要とされています

1. 1台本を1シーン分ずつ、短く区切って作る（長い1本にまとめない）
2. 2Vidsのナレーション機能に台本を貼り、声を選んで試聴する（操作画面はヘルプの現行案内に沿ったもので、3.8への切り替え後に変わる可能性があります）
3. 3固有名詞・数字・英字の読みを耳で確認し、読み間違いを台本側で直す
4. 4社外に出す動画は、公開前に担当者がナレーションを最後まで通しで聞く

以下は業務手順書の一部です。動画のナレーション台本にしてください。

・1シーンにつき、読み上げて20〜30秒程度の長さにする
・シーンごとに「シーン1」「シーン2」と分けて出す
・話し言葉にする。1文は短く、40文字以内を目安にする
・絵文字・記号・太字は使わない
・数字は読み方のとおりにひらがなで補う（例：3件 → さんけん）
・元の手順書に書かれていない内容は足さない
・読み方が分かれそうな固有名詞には、最後に「読み確認リスト」として一覧にする

--- 手順書ここから ---
（ここに貼り付け）

以下のナレーション台本を、音声合成で読み上げるつもりでチェックしてください。

1. 読み間違いが起きやすい語（固有名詞、数字、英字、同じ漢字で読みが複数ある語）を一覧にする
2. それぞれ、どう書き換えれば誤読が減るかを提案する
3. 不明な語は推測で直さず、「要確認」と書く

--- 台本ここから ---
（ここに貼り付け）

台本の段階で読みを直しておくと、音声を作り直す回数が減ります。聞いてから直すより、聞く前に直すほうが手間が少なくなります。

試すときに気をつけること

• ●会社のGoogle Workspaceは、管理者が機能の提供時期や範囲を決めていることがあります。画面に出ないときは、まず管理者に確認する
• ●生成された音声は、公開前に必ず人が聞く。読み間違いは台本の書き方で減らせるが、ゼロにはならない
• ●声の再現（30秒のサンプルから）は、本人の同意が前提。社員や取引先の声を、本人の了承なしに使わない
• ●発表文によると、声の再現機能はイリノイ州・テキサス州・欧州経済領域・英国・スイス・インドでは使えません。日本は挙がっていませんが、日本で使えるとも書かれていない
• ●まずは社内向けの動画など、外に出ない用途から試す