Gemini 3.1 Flash TTS streamingとは
Gemini 3.1 Flash TTS streamingとは、Gemini APIのTTSモデルでテキストから音声を生成し、音声データを逐次受け取る使い方です。Google公式changelogでは、2026年6月17日にgemini-3.1-flash-tts-previewのstreaming supportが追加されたと案内されています。長い音声を作るときに、すべての生成完了を待たず、受け取れた部分から再生や処理に回しやすくなる点が実務上の価値です。
モデルID: gemini-3.1-flash-tts-preview
公式上の状態: 2026年7月2日時点のSpeech generationドキュメントではPreview。
Live APIとは用途が違う
TTSはtext-to-speechの略で、文字を音声に変換する機能です。Gemini 3.1 Flash TTS streamingは、説明動画、アプリ内ナレーション、読み上げコンテンツのように、原稿が先にある場面で使いやすい機能でしょう。一方、Gemini Live APIは会話の入出力をリアルタイムにつなぐAPIです。読み上げ音声を作るならTTS、会話そのものを作るならLive API、と切り分けると迷いにくいでしょう。
Topic音声演出の指示は英語タグが基本
Google公式のSpeech generationドキュメントでは、[whispers]や[laughs]のようなaudio tagsで読み上げの演出を指定する例が示されています。さらに、原稿が英語以外でもaudio tagsは英語を使うのがよいと説明されています。日本語ナレーションを作る場合でも、演出指示だけ英語で書くという運用が起きる点は覚えておくと便利です。
Gemini 3.1 Flash TTS streamingに関するよくある質問
- 長い読み上げを早く再生し始めたい場合に向きますか？
- 向きます。逐次受け取りにすると、全部の音声生成を待つ設計より体感待ち時間を短くしやすくなります。
- 複数話者の読み上げにも使えますか？
- GoogleのSpeech generationドキュメントでは、単一話者と複数話者の音声生成が説明されています。利用時は対象モデルとサンプルコードを確認してください。
