表現豊かな音声、インラインボーカルタグ付き、スタイルディレクション、2話者対話が130言語、2,000以上の音声ライブラリをカバーしています。
Google オーディオ生成 リリース 2026年9月22日 独自エンドポイント 新着表現豊かな音声、インラインボーカルタグ付き、スタイルディレクション、2話者対話が130言語、2,000以上の音声ライブラリをカバーしています。
別名 Gemini Flash TTS, Google Gemini 3.8 Flash TTS
gemini-3-8-flash-tts/v1/audio/speechPOST/v1/audio/speech:streamGET/v1/voicesgemini-3.8-flash-ttsgoogle/gemini-3.8-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 3.8 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-3-8-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-3-8-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-3-8-flash-tts", "input": "Welcome to EmpirioLabs."},
)
with open("speech.mp3", "wb") as f:
f.write(response.content)EmpirioLabs 上の Gemini 3.8 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 | - | 最大 5000 | 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の場合、行の前にSpeaker1: / Speaker2:最大5,000文字まで。伝え方をstyle_promptに設定し、音が出るべき場所にこれらのボーカルタグを配置します:<argh>、<breath>、<重い息>、<exhales>、<cackle><cheer><chuck... |
| 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 | - | - | オプションのBCP-47言語タグ(en-US、es-ESなど)。テキストの言語は自動的に検出されます。リストに記載された30の声は、対応するすべての言語を話します。ライブラリの声は独自の言語で使用しなければなりません。 |
| voice | enum | Charon | Zephyr, Puck, Charon, Kore, Fenrir, Leda, Orus, Aoede, Callir... | プライマリボイス名(例:Kore、Puck、Aoede)。デフォルトは空欄のままにしてください。これら30の声は、サポートされるすべての言語を話します。GET... |
| voice_audio_url | string | - | - | voice=カスタムのみ:クローン用の声(WAV、MP3、M4A、OGG、WEBM、FLAC)から10秒から30秒のクリーンで自然な音声録音のHTTPS URLです。静かな部屋で、同意録音と同じマイクで録音してください。 |
| voice_consent_audio_url | string | - | - | voice=custom only: 同じ話者がこの文を声に出して読むためのhttps URLを送ります:「私はこの声の所有者であり、Googleがこの声を使って合成音声モデルを作成することに同意します。」同じ文は30言語のいずれかで受け入れられます。このパラメータのメタデータconsent_statementsそれぞれがリストされ... |
| 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セカンドボイスネーム。ライブラリやクローン音声IDも利用可能です。 |
| 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:WAV、MP3、OGG(Opus)、または電話用にALAW / MULAWです。 |
| speed | number | 1 | 0.25 から 2 | 再生速度。1.0=自然;<1は遅く、>1速い。POST/v1/audio/speech:stream.では利用できません。 |
| 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 | 出力サンプルレートはHz(8000、16000、22050、24000、44100、または48000)です。OGGの出力は8000、16000、24000、または48000のいずれかの最も近いものを使用します。 |
| 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)。 |
<argh> <breath> <heavy breath> <exhales> <cackle> <cheer> <chuckle> <chuckles> <cough> <cry> <gasp> <giggle> <groan> <growl> <grunt> <grr> <hiss> <laugh> <laughter> <moan> <pant> <pff> <phew> <scream> <shout> <shriek> <sigh> <sighs> <sneeze> <snicker> <snort> <sob> <throat-clearing> <tsk> <whimper> <whispers> <whispering> <yawn> <short pause> <long pause>EmpirioLabs では Gemini 3.8 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; 出力 $46.80 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 3.8 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 3.8 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。
