Gemini 2.5 Pro TTS レビュー: 30音色と二人の会話をWAVで生成

この記事で使った証拠では、現在提供する正確な実行形態に対応する比較可能な公開品質評価は確定していません。近い版や別モードの結果では埋められない欠落です。ここで説明する操作項目は確認済みの製品機能ですが、新しく測定した自然さ、明瞭さ、速度のスコアではありません。

以下はモデルの公開例をもとにした初期入力であり、毎回同じ仕上がりになる保証ではありません。専用欄がある場合、読む本文と演技指示を分けてください。まず通常の一文で確認してから長くします。形容詞を増やすだけでは、曖昧な指示は解消しません。

{
  "style": "whisper",
  "text": "Hey... it's me. [sighs] I know it's late. I just wanted to hear your voice before I fall asleep. Call me back? I'll be waiting.",
  "voice_id": "Aoede"
}

まず、合否を左右する固有名詞、難しい数字、感情が変わる一文、読み違いを許せない箇所を確認してください。末尾まで原文と照合します。設定を比較するときは入力を固定し、一度に一つだけ変えます。声が自然に聞こえることと、すべての語が正しく残ることは別の確認項目です。

送信前にモデルのタスクページで現在の見積もりを確認してください。文字数、秒数、リクエスト単位の料金は、表示された最安値だけでは比較できません。同じ原稿や録音を条件にし、必要な変換やタイミング調整も含めて判断します。

総合的な数字より先に、不足する機能で選んでください。声の選択、長い原稿、演技指示、適切な文字起こしといった具体的な課題を解決するモデルが候補です。以下の現在のページで、対応タスクと料金単位を確認できます。

• Gemini 3.8 Flash TTS
• Seed Speech 2.0