11月4日、GoogleはGemini APIの更新ログにVoice remixingを追加した。一文で説明するだけで、既存の声が新しい音色に変わり、独立したvoice_ IDとして保存され、繰り返し使えるようになる。対象はGemini 3.8 Flash TTSとFlash-Lite TTSで、Google AI Studioでも対話的に操作できる。
一文で声色を変えるには
プリセットの声、拡張ボイスライブラリ、保存済みのカスタム音声から出発し、アクセントを変える、音程を変える、話す速度を落とす、年長に聞こえるようにするといった変更を自然言語で伝える。POST /v1beta/voicesを呼び出すと、新しい独立した声が返ってきて、その声で音声を合成できる。リミックスした声はさらにリミックスできるので、専用の声色を少しずつ磨き上げることも可能だ。
声のクローンではない
Voice remixingは既存の声を変えるもので、実在の人物の声を無から複製するものではない。9月に登場したVoice designやVoice replicationとは役割が違う。前者は言葉でゼロから新しい声を記述するもの、後者は同意のもとで実際の声を再現するものだ。9月22日の更新ログによれば、Gemini 3.8 Flash TTSとFlash-Lite TTSは正式版となり、Voicesエンドポイントも同日に公開された。Voice remixingはそのエンドポイントの上に構築されている。
ポッドキャスト、講座、音声コンテンツ、音声アシスタントにとっては、「声色の調整」が設定画面から一文の指示に変わる。固定のキャラクターボイスを決めるのに、パラメータを試行錯誤で探る必要がなくなる。ただ、声が変えやすくなるほど、ライセンスの境界は重要になる。リミックスした声が誰に似ているのか、商用利用できるのかは、クリエイターが使う前に確認しておくべきことだ。ツールを選ぶ際は、AI音声クローンツールの選び方も参考になる。ポッドキャスト、有声書、ショート動画といった場面ごとに対照できる。
