Google、詳細なオーディオタグに対応したGemini 3.1 Flash TTSをリリース
Googleは、オーディオタグによるきめ細かな制御を提供するテキスト読み上げモデル「Gemini 3.1 Flash TTS」を発表しました。70以上の言語をサポートし、ネイティブのマルチスピーカー対話に対応し、安全性のためSynthIDのウォーターマークを含みます。このモデルはArtificial AnalysisのTTSベンチマークでEloスコア1,211を達成し、Gemini API、Vertex AI、Google Vidsを通じてプレビュー版が利用可能です。
Googleは、制御性と表現力を重視したテキスト・トゥ・スピーチモデルであるGemini 3.1 Flash TTSをリリースした。このモデルは、開発者が単一または複数話者の対話の声のスタイル、ペース、デリバリーを指示できるようにする自然言語コマンドである「オーディオタグ」を導入している。Gemini API、Vertex AI、Google Vidsでプレビュー版が利用可能で、システムは70以上の言語をサポートし、AI生成コンテンツを検出するためにSynthIDウォーターマーキングを採用している。Artificial Analysisによるベンチマークテストでは、モデルはEloスコア1,211を獲得し、品質とコストの「最も魅力的な象限」に位置付けられている。