ナレーション、アシスタント、ボイスアプリをまたいで、新しいオーディオタグで正確なスタイル、トーン、テンポ、伝え方を実現し、高度にコントロールしやすいTTS。
Googleオーディオ生成リリース 2026年4月13日独自エンドポイントナレーション、アシスタント、ボイスアプリをまたいで、新しいオーディオタグで正確なスタイル、トーン、テンポ、伝え方を実現し、高度にコントロールしやすいTTS。
別名 Gemini Flash TTS, Google Gemini 3.1 Flash TTS
gemini-3-1-flash-tts/v1/audio/speechgemini-3.1-flash-ttsgoogle/gemini-3.1-flash-ttsEmpirioLabs カタログのライブ従量課金料金です。使った分だけの支払いで、月額最低料金はありません。
Gemini 3.1 Flash TTS は POST /v1/audio/speech で音声を生成し、再生可能なオーディオを返します。読み上げるテキストを input として、モデル ID gemini-3-1-flash-tts と一緒に送信してください。 EmpirioLabs ダッシュボードで API キーを取得してください。
curl https://api.empiriolabs.ai/v1/audio/speech \
-H "Authorization: Bearer $EMPIRIOLABS_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gemini-3-1-flash-tts",
"input": "Welcome to EmpirioLabs. Your build just finished."
}' \
--output speech.mp3import requests
response = requests.post(
"https://api.empiriolabs.ai/v1/audio/speech",
headers={"Authorization": "Bearer YOUR_EMPIRIOLABS_API_KEY"},
json={"model": "gemini-3-1-flash-tts", "input": "Welcome to EmpirioLabs."},
)
with open("speech.mp3", "wb") as f:
f.write(response.content)EmpirioLabs 上の Gemini 3.1 Flash TTS API が対応するリクエストパラメーターです。フィールドを省略した場合はデフォルト値が適用されます。
| パラメータ | タイプ | デフォルト | 範囲 / 値 | 説明 |
|---|---|---|---|---|
| input | string | - | - | 音声に変換するためのテキスト。マルチスピーカーモードでは、ラインの前にSpeaker1: / Speaker2: で表記します。 |
| mode | enum | single | single, multi | シングル=ワンボイス、マルチ=ツーボイスダイアログ(ボイス+ボイス2+スピーカー名を使用)。 |
| language | string | en-US | - | 発音の手がかり用のBCP-47言語タグ(en-US、es-ESなど)。 |
| voice | enum | Charon | Zephyr, Puck, Charon, Kore, Fenrir, Leda, Orus, Aoede, Callir... | 主な声名(例:Kore、Puck、Aoede)。デフォルトは空欄のままにしてください。 |
| voice2 | enum | Kore | Zephyr, Puck, Charon, Kore, Fenrir, Leda, Orus, Aoede, Callir... | マルチスピーカーモード用の2つ目の音声名。 |
| speaker1_name | string | Speaker1 | - | スピーカー1の入力プレフィックスに使用された表示名(デフォルト:Speaker1)。 |
| speaker2_name | string | Speaker2 | - | スピーカー2の入力プレフィックスに使用される表示名(デフォルト:Speaker2)。 |
| output_format | enum | WAV | WAV, MP3, OGG, ALAW, MULAW | 音声ファイル形式(mp3、wav、opus、flacなど)。 |
| speed | number | 1 | 0.25 から 2 | 再生速度。1.0 = ナチュラル;<1は遅く、>1は速く。 |
| volume_gain | number | 0 | -96 から 16 | 出力ゲインはdB単位です。0 = 変わらない。 |
| sample_rate | enum | 24000 | 8000, 16000, 22050, 24000, 44100, 48000 | 出力サンプリングレートはHz(8000、16000、24000、44100、48000)です。 |
| style_prompt | string | - | - | 自然言語スタイルの指示(例:「温かく、会話的」や「ニュースキャスター、真面目」など)。 |
これまでで最も操作しやすいジェミニTTS。制限- テキスト+スタイルプロンプト:各4,000バイト(合計8,000バイト)- 最大出力:~10分 - 音声請求:~1秒あたり25トークン(~15chars/s)- 言語は自動検出;言語設定は制約ではなくヒントです インラインオーディオタグ(コントロール配信) - 感情:[whispers]、 [shouts]、[laughs]、[sighs]、[cheerful]、[sad]、[angry]など - ペース:[slow]、[fast]、 [whispers] 0__、 [whispers] 1__ - 間: [whispers] 2__、 [whispers] 3__、 [whispers] 4__ - 強調: [whispers] 5__、 [whispers] 6__、 [whispers] 7__、 [whispers] 8__、 [whispers] 9__、 [shouts] 0__
EmpirioLabs では Gemini 3.1 Flash TTS は従量課金です: 入力 $2.60 1Mプロンプトトークンあたり; ソリューション $52.00 生成された1Mトークンあたり。このページのライブ料金表は常に API の請求額と一致します。
Gemini 3.1 Flash TTS は api.empiriolabs.ai 上の POST /v1/audio/speech で提供され、標準的な Bearer トークン認証を使用します。
はい。EmpirioLabs プレイグラウンドでは API と同じパラメーターで Gemini 3.1 Flash TTS をブラウザ上で実行できるので、コードを書く前にプロンプトを試せます。
EmpirioLabs アカウントを作成し、ダッシュボードの API Keysでキーを生成してください。課金は従量制クレジットなので、実行したリクエストの分だけ支払います。
