Geminiの音声生成（Speech Generation）とは？使い方・日本語品質・料金を徹底解説【2026年版】

はじめに

Google Gemini APIの音声生成（Speech Generation）機能を使うと、テキストから自然なAI音声を作れます。しかも「明るく」「ささやくように」といった自然言語の指示で話し方まで演出できるのが大きな特徴です。

本記事では、Geminiの音声生成をこれから試したい方に向けて、Google AI Studioでの使い方、APIでのコード例、日本語の実際の音質（サンプル音声つき）、料金の考え方、他エンジンとの違いまでを一通り解説します。なお、外部サービスの仕様に関する記述はすべて執筆時点（2026年8月）のものです。

Geminiの音声生成（Speech Generation）とは

Geminiの音声生成は、Gemini APIおよびGoogle AI Studioで提供されているテキスト読み上げ（TTS）機能です。執筆時点では、gemini-2.5-flash-preview-tts と gemini-2.5-pro-preview-tts というTTS特化モデル（いずれもプレビュー段階）が提供されています。

従来のTTSと比べたときの特徴は、大きく次の4点です。

使い方①：Google AI Studioで試す（コード不要）

いちばん手軽なのはGoogle AI Studioです。ブラウザだけで音声生成を試せる「Generate speech」モードが用意されており、Googleアカウントがあれば無料で始められます（執筆時点）。

1. 1Google AI Studioにログインし、音声生成（Generate speech）モードを開く
2. 2読み上げたいテキストを入力する。冒頭に「明るく元気に読んで」のようなスタイル指示を添えると話し方が変わる
3. 3ボイス（Zephyr、Koreなど）とシングル/マルチスピーカーを選ぶ
4. 4生成ボタンを押して試聴し、良ければ音声ファイルをダウンロードする

まずはAI Studioで数パターンのボイスとスタイル指示を試し、自分の原稿との相性を確かめるのがおすすめです。画面構成は更新されることがあるため、細部が異なる場合は画面の案内に従ってください。

使い方②：APIから呼び出す（Pythonコード例）

アプリやワークフローに組み込む場合はGemini APIを使います。以下はGoogle公式のPython SDK（google-genai）を使った基本形です。TTS特化モデルを指定し、response_modalitiesにAUDIOを指定するのがポイントです。

from google import genai
from google.genai import types
import wave

client = genai.Client(api_key="YOUR_API_KEY")

response = client.models.generate_content(
    model="gemini-2.5-flash-preview-tts",
    contents="明るくポジティブなトーンで読んでください: "
             "こんにちは。本日は新機能の概要をご紹介します。",
    config=types.GenerateContentConfig(
        response_modalities=["AUDIO"],
        speech_config=types.SpeechConfig(
            voice_config=types.VoiceConfig(
                prebuilt_voice_config=types.PrebuiltVoiceConfig(
                    voice_name="Kore"
                )
            )
        ),
    ),
)

data = response.candidates[0].content.parts[0].inline_data.data
with wave.open("output.wav", "wb") as f:
    f.setnchannels(1)
    f.setsampwidth(2)
    f.setframerate(24000)
    f.writeframes(data)

• スタイル指示はプロンプト内に自然文で書きます（例：「明るくポジティブなトーンで読んでください」）
• 2話者の会話を作る場合は、MultiSpeakerVoiceConfigで話者ごとにボイスを割り当てます
• より高品質を狙う場合はgemini-2.5-pro-preview-ttsを試す選択肢もあります（執筆時点）

日本語の品質は？実際のサンプル音声を聴く

スペックよりも大事なのは実際の音です。以下は、Gemini TTSで「明るくポジティブに」というスタイル指示を与え、同一テキスト（サービス紹介の一文）から生成したサンプルです。編集や加工はしていません。

編集部の所感としては、同じ指示でもボイスによって声質と雰囲気が大きく変わるのがGeminiの面白さです。印象は原稿や言語によっても変わるので、登録不要のサンプル聴き比べページで、7言語×他エンジン含めたバリエーションをご自身の耳で確かめてみてください。

料金の考え方：無料で試してから従量課金へ

執筆時点では、Google AI Studioでの試用は無料で始められ、Gemini APIにも無料枠が用意されています。本格利用時は、処理するテキスト量や生成する音声量に応じた従量課金になるのが基本的な考え方です。

具体的な単価や無料枠の上限は改定されることがあるため、本記事では金額を記載しません。最新の料金はGemini APIの公式料金ページで必ず確認してください。

ElevenLabs・OpenAI・Google Cloud TTSとの違い

Geminiの音声生成は、話し方をプロンプトで演出できる表現力が持ち味です。主要エンジンとのざっくりした位置づけは次のとおりです（執筆時点）。

なお、同じGoogleでも、Google Cloud Text-to-Speech（Neural2やChirp3-HDなど）とGeminiのTTSは別系統のサービスです。声質・安定性・日本語の自然さを4エンジンで横断的に比べた詳細は音声生成AIの品質比較記事を、実際の音の聴き比べは4エンジン聴き比べ記事をご覧ください。

Gemini音声をスライド動画のナレーションに使う

Gemini音声の実務でのわかりやすい使い道が、プレゼン資料や研修スライドのナレーションです。ただし自分でAPIを組むと、原稿作成→スライドごとの音声生成→動画編集ソフトでの合成、という手間がかかります。

SpeechSlide AIは、この一連の流れを自動化するサービスです。AI音声エンジンとしてElevenLabs・Google・Gemini・OpenAIの4つを標準搭載しており、プロジェクトの音声設定でGeminiを選ぶだけで、スライドから生成した原稿をGemini音声で読み上げたMP4動画を書き出せます。

Gemini音声生成に関するよくある質問

Q. gemini-2.5-flash-preview-ttsとgemini-2.5-pro-preview-ttsはどう違いますか？

A. 執筆時点では、flashは速度とコスト効率を重視した位置づけ、proはより品質を重視した位置づけのTTS特化モデルです。いずれもプレビュー段階のため、用途に合わせて両方試し、最新の位置づけは公式ドキュメントで確認するのが確実です。

Q. Geminiで生成した音声は商用利用できますか？

A. 生成物の利用条件はGoogleの利用規約・サービス条件によって定まり、内容は更新されることがあります。商用プロジェクトで使う前に、必ず最新の公式規約で利用範囲と条件を確認してください。

Q. 長いナレーション原稿でも一度に音声化できますか？

A. 1回のリクエストで扱えるテキスト量には上限があります（上限値はモデルやAPI仕様の更新で変わるため公式ドキュメントを参照）。プレゼンや研修のナレーションでは、スライド単位・段落単位で分割生成するほうが、読み方の調整や差し替えもしやすく実務的です。

Q. スタイル指示はどのくらい細かく効きますか？

A. 「明るく」「真剣なトーンで」といった全体の演出のほか、速度や感情の込め方の指示にもある程度応えます。ただし効き方はボイスや原稿により差があるため、同じ指示で複数ボイスを聴き比べて選ぶのがおすすめです。

ナレーション原稿そのものの作り方や自然に聞かせるコツは、AIナレーションの作り方ガイドで詳しく解説しています。