Gemini 3.1 Flash TTSとは？料金・使い方・違いを解説

2026年4月15日、Googleは新しい音声生成モデル「Gemini 3.1 Flash TTS」を発表しました。AI音声はここ数年でかなり自然になりましたが、今回の注目点は「読む」だけでなく、「どう読むか」まで細かく指示しやすくなったことです。

• Gemini 3.1 Flash TTSの特徴と、従来のTTSとの違い
• Google AI Studio・Google Vidsでの試し方と料金の見方
• ElevenLabsとの違い、日本語品質、導入前の注意点

本記事では、Gemini 3.1 Flash TTSの特徴、音声タグ、料金、試し方、ElevenLabsとの違いを初心者向けに整理して解説します。（専門知識は不要です！）

注：Gemini 3.1 Flash TTSはプレビュー提供です。料金や仕様、対応範囲は今後更新される可能性があるため、本文中の公式リンクもあわせてご確認ください。

Gemini 3.1 Flash TTSとは？まず初心者向けに結論から整理

Gemini 3.1 Flash TTSは、Googleが2026年4月15日に発表した、音声の自然さと制御性を強化したプレビュー版のTTSモデルです。

Google公式ブログでは、開発者向けにGemini APIとGoogle AI Studio、企業向けにVertex AI、Workspaceユーザー向けにGoogle Vidsで展開すると案内されています。

一番わかりやすい特徴は、「自然な音声」だけではありません。話し方、トーン、テンポ、間の取り方まで自然言語や音声タグで調整しやすいことが、今回の大きな進化です。

まず結論を先に言うと、次のように考えるとわかりやすいです。

• まず無料で試すならGoogle AI Studio
• 動画制作ワークフローにそのまま乗せたいならGoogle Vids
• 自分の声のクローンや声ライブラリ重視ならElevenLabsも有力

Gemini全体の位置づけから先に把握したい場合は、Geminiの全体像を先に知りたい方はこちらも参考になります。

なお、GoogleのTTS公式ドキュメントでは、Gemini TTSはリアルタイム会話向けのLive APIとは別物とされています。Live APIが「会話の流れに合わせて即応する音声」に向くのに対し、Gemini 3.1 Flash TTSは、ポッドキャストやオーディオブック、説明動画のナレーションのように、正確なテキストを、狙った雰囲気で読ませたい用途に向いています。

詳しくはGoogle公式ブログと、Gemini APIのTTS公式ドキュメントで確認できます。

Gemini 3.1 Flash TTSの何がすごい？3つの進化を整理

大きな進化は、音声タグによる細かな演出、多言語対応、最大2話者の会話生成の3点です。

1. 音声タグで「感情」や「間」を細かく調整しやすい

Gemini 3.1 Flash TTSでは、テキストの中に [whispers]、[laughs]、[shouting]、[very slow] のような音声タグを入れて、読み方を調整できます。Google公式ドキュメントでも、スタイル、トーン、アクセント、ペースを制御できると案内されています。

ここで重要なのは、決まった感情プリセットをボタンで選ぶだけの仕組みではないことです。Google公式は「タグの包括的な一覧はない」と明記しており、固定の辞書から選ぶというより、英語タグを試しながら狙う表現に寄せていく使い方が中心です。

そのため、外部で見かける「200種類以上のタグ」という紹介は、あくまで“多彩に試せる”という意味合いで受け取るのが安全です。実務では、まず [excited]、[serious]、[whispers]、[laughs] などの基本タグから試し、必要に応じて文脈指示を追加すると扱いやすくなります。

2. 最大2人のマルチスピーカー対話に対応している

Gemini 3.1 Flash TTSは、単一話者だけでなく、最大2人の話者を設定した会話形式の音声生成にも対応しています。これは、インタビュー形式の動画、掛け合い台本、FAQ音声などを作るときに便利です。

ただし、人数が多いラジオドラマ向けというより、2人の自然な掛け合いを短めに作る用途に向いていると考えたほうが現実的です。公式ドキュメントでも、マルチスピーカーは各話者を明示して設定する設計になっています。

3. 70以上の言語に対応し、Google Vidsにも広がっている

Google公式ブログでは、Gemini 3.1 Flash TTSは70以上の言語に対応すると案内されています。日本語も公式の対応言語に含まれています。

さらにGoogle Workspace Updatesでは、Google VidsのAI voiceoverに30種類の新しい会話型音声が追加され、合計24言語で利用できると案内されています。つまり、APIとしての多言語性だけでなく、Googleの動画制作ツール側にもこの流れが広がっているわけです。

Gemini 3.1 Flash TTSを無料で試す方法と料金

無料で雰囲気を確認するならAI Studio、本格利用ではStandardとBatchの料金差を確認する、という見方が基本です。

まず試すならGoogle AI Studioが最短

初心者が最初に触る場所としては、Google AI Studioが最もわかりやすいです。GoogleのTTS公式ドキュメントでも、構築を始める前にAI StudioでGemini TTSモデルをテストすることが推奨されています。

1. Google AI Studioを開く
2. Gemini 3.1 Flash TTSのデモやTTS画面に進む
3. 台本テキストを入れ、必要なら音声タグや口調指示を追加する
4. 音声を再生して、日本語の読み方や間の取り方を確認する

いきなりAPI実装から入るより、まず自分の台本で音の雰囲気を確認してから判断するほうが失敗しにくいです。PC環境を整えながら他の無料ツールも見直したい場合は、無料で使えるPCツールをまとめて見たい方はこちらも役立ちます。

Google Vidsで試せる人・試せない人

Google VidsでもGemini 3.1 Flash TTS系のAI voiceoverを試せますが、ここは案内の読み方に注意が必要です。

Googleのヘルプには、Vidsの多くのAI機能は現時点で英語中心という注記があります。一方で、同じヘルプページのAI voiceover説明では、英語、フランス語、ドイツ語、イタリア語、日本語、韓国語、ポルトガル語、スペイン語の8言語が対応言語として列挙されています。さらにWorkspace Updatesでは、30の新しい会話型音声と24言語対応への拡大が案内されています。

つまり、現時点ではヘルプと更新告知で案内の粒度に差があるため、利用前には対象プランと最新ヘルプを確認するのが安全です。なお、ヘルプではAI voiceoverはプレーンテキストのみ対応で、スクリプトは2,500文字以内という条件も案内されています。詳しくはGoogle VidsのAI voiceoverヘルプと、Workspace Updatesの両方を確認してください。

料金はStandardとBatchを分けて見る

Gemini 3.1 Flash TTSの料金は、Google公式のGemini Developer API料金ページで確認できます。ここで大事なのは、StandardとBatchを分けて見ることです。

• Standard：入力 $1.00 / 100万トークン、音声出力 $20.00 / 100万トークン
• Batch：入力 $0.50 / 100万トークン、音声出力 $10.00 / 100万トークン

つまり、「入力0.5ドル・出力10ドル」という数字は、現時点ではBatch側の数字として読むのが正確です。Standard運用でそのまま使える価格ではありません。

また、Google公式では「音声トークンは1秒あたり25トークン相当」とも案内されています。ざっくり試算したいときの目安にはなりますが、実運用では台本長さ、再生成回数、試行回数によって体感コストは変わります。

料金の最新情報は、必ずGemini Developer API公式料金ページで確認してください。

Gemini 3.1 Flash TTSとElevenLabsの違い

GeminiはGoogle連携と制御性、ElevenLabsは声ライブラリとクローン機能で比較すると整理しやすいです。

Geminiの強みは「演出のしやすさ」と「Google導線」

Gemini 3.1 Flash TTSの強みは、音声タグや自然言語で読み方を調整しやすいことです。たとえば「もう少し楽しそうに」「ここで少し間を置いて」といった演出を、そのまま文章に近い形で渡しやすいのが魅力です。

さらに、Google AI Studioで即テストでき、Google Vidsにもつながるため、「試す→修正する→動画へ載せる」までの距離が短いのはGoogle系ならではの強みです。

ElevenLabsの強みは「声の資産」と「クローン機能」

一方のElevenLabsは、公式ドキュメント上で、Voice Library、Instant Voice Cloning、Professional Voice Cloning、Voice Designなど、声そのものを資産として扱いやすい構成になっています。

また、Text to Dialogueにも対応しており、対話型音声の生成も可能です。声ライブラリを活用したい人や、将来的にブランドボイスを作りたい人は、ElevenLabsのVoicesドキュメントや、Text to Dialogueの公式ドキュメントも比較しておくと判断しやすくなります。

コスパ比較は「課金単位」まで見ないとズレやすい

Gemini 3.1 Flash TTSはトークン課金、ElevenLabsは基本的に文字数・クレジット基準で案内されています。この違いがあるため、単純に「どちらが何倍安い」とは言い切れません。

たとえば、台本の長さ、再生成の回数、複数話者の有無、音声クローンの必要性によって、実質コストは大きく変わります。コストだけで決めるより、次の3点で比べるほうが現実的です。

• 試しやすさ：AI Studioですぐ触れるか
• 声の自由度：既存声ライブラリや音声クローンが必要か
• 運用先：動画制作、ナレーション、会話音声のどれが中心か

ElevenLabsの料金は公式料金ページで確認できます。

日本語の品質はどれくらい？向いている使い方を整理

日本語は公式対応していますが、最終品質は用途と台本次第なので、実運用前の試聴が前提です。

日本語は公式対応、ただし「最強」とは断定しない

Google公式ドキュメントでは、日本語はGemini TTSの対応言語に含まれています。ここは明確です。ただし、Googleは日本語だけを切り出した品質スコアや、特定用途における優位性を公式には詳しく示していません。

そのため、記事として公平に整理するなら、日本語は十分試す価値があるが、最終判断は自分の台本で確認するべきという言い方が最も安全です。特に、固有名詞、商品名、英単語混じりの台本、感情を細かく揺らしたい長尺ナレーションでは、相性チェックが欠かせません。

向いている用途

Gemini 3.1 Flash TTSは、次のような用途と相性がよいです。

• 解説動画や教材動画のナレーション
• ブログ記事の音声版やショート動画の読み上げ
• 2人掛け合いの簡単な会話台本
• IVR（自動音声応答）やFAQ音声のたたき台

特に、「まず台本を音にしてみたい」「会話調にしてテンポを確認したい」という段階では、かなり便利です。音声を動画に載せる段階に入ったら、ナレーションを入れた動画編集の基本はDaVinci Resolve記事へ進むと流れがつながります。

向かない、または慎重に見たい用途

一方で、次のようなケースでは慎重に見たほうがよいです。

• 数分を超える長尺音声を一発で安定生成したい場合
• ブランド専用の“この声で固定したい”運用をしたい場合
• 完全に人間と区別できないレベルの演技を求める場合

Google公式ドキュメントでも、長い出力では品質や一貫性が低下する可能性があると案内されています。長尺ナレーションは小さなチャンクに分けて作る前提で考えると現実的です。

使う前に知っておきたい注意点

プレビュー版ならではの制約と、AI音声の誤用リスクの両方を理解してから導入するのが安全です。

リアルタイム会話向けではない

Gemini 3.1 Flash TTSは、Live APIのようなリアルタイム会話向けモデルではありません。ライブ配信の即応音声や、会話の流れに応じて瞬時に返す用途より、あらかじめ用意した台本を読み上げる用途に向いています。

SynthID透かしと、なりすましへの配慮

Google公式ブログでは、Gemini 3.1 Flash TTSで生成された音声にはSynthIDの電子透かしが入ると案内されています。これは、AI生成音声であることを識別しやすくし、誤情報やなりすましのリスクを下げるための設計です。

とはいえ、透かしがあるから何をしても安全という意味ではありません。特に、本人音声に似せた使い方、ニュース風の断定的な音声、誤解を招くナレーションは、利用規約や社会的な受け止め方まで含めて慎重に扱う必要があります。

商用利用前に確認したい3つのこと

1. 最新の利用規約と料金が、今の運用方針に合っているか
2. 自分の台本で、日本語の読みや固有名詞の発音が許容範囲か
3. 公開先で「AI音声であること」をどう扱うか運用ルールを決めているか

この3つを先に確認しておくと、「作れたのに公開で迷う」という失敗を避けやすくなります。

よくある質問（FAQ）