| name | gemini-audio-tts |
| description | Use when user asks about Gemini TTS, text-to-speech, audio generation, Live API, voice synthesis, speech, or audio models. Also use when user says TTS, 音声合成, テキスト読み上げ, Live API, 音声モデル, 音声生成. Gemini 音声モデル、TTS（Text-to-Speech）、Live API の構成・使用法を提供し、コスト優先とパフォーマンス優先の両軸で推奨する。 |
| context | fork |
Gemini Audio & TTS
Gemini の音声モデル、TTS、Live API の構成と使用法。
モデル選択ガイド
コスト優先
| モデル | モデル ID | 特徴 |
|---|
| Flash Live | gemini-3.1-flash-preview (Live API) | 低レイテンシ、低コスト、リアルタイム対話 |
| Chirp 3 | chirp-3 | ASR/TTS 専用、軽量 |
パフォーマンス優先
| モデル | モデル ID | 特徴 |
|---|
| Pro Live | gemini-3.1-pro-preview (Live API) | 最高品質音声、複雑な対話 |
| Native Audio | gemini-3.1-pro-preview | ネイティブ音声出力、感情表現 |
TTS（Text-to-Speech）
基本使用法
from google import genai
from google.genai import types
import base64
client = genai.Client(api_key="YOUR_API_KEY")
response = client.models.generate_content(
model="gemini-3.1-flash-preview",
contents="こんにちは、今日はいい天気ですね。",
config=types.GenerateContentConfig(
response_modalities=["AUDIO"],
speech_config=types.SpeechConfig(
voice_config=types.VoiceConfig(
prebuilt_voice_config=types.PrebuiltVoiceConfig(
voice_name="Kore"
)
)
)
)
)
for part in response.candidates[0].content.parts:
if part.inline_data:
audio_data = base64.b64decode(part.inline_data.data)
with open("output.wav", "wb") as f:
f.write(audio_data)
音声プロファイル一覧
| 名前 | 性別 | 特徴 | 言語 |
|---|
| Zephyr | 女性 | 明るく自然 | 多言語 |
| Puck | 男性 | 落ち着いた声 | 多言語 |
| Charon | 男性 | 深みのある声 | 多言語 |
| Kore | 女性 | クリアで親しみやすい | 多言語 |
| Fenrir | 男性 | 力強い声 | 多言語 |
| Aoede | 女性 | 温かみのある声 | 多言語 |
| Leda | 女性 | 柔らかい声 | 多言語 |
| Orus | 男性 | プロフェッショナル | 多言語 |
| Perseus | 男性 | 明瞭な声 | 多言語 |
Live API（リアルタイム音声対話）
概要
Live API は WebSocket ベースのリアルタイム双方向音声通信を提供。
基本構成
import asyncio
from google import genai
from google.genai import types
client = genai.Client(api_key="YOUR_API_KEY")
async def main():
config = types.LiveConnectConfig(
response_modalities=["AUDIO"],
speech_config=types.SpeechConfig(
voice_config=types.VoiceConfig(
prebuilt_voice_config=types.PrebuiltVoiceConfig(
voice_name="Kore"
)
)
)
)
async with client.aio.live.connect(
model="gemini-3.1-flash-preview",
config=config
) as session:
await session.send_client_content(
turns=types.Content(
role="user",
parts=[types.Part(text="こんにちは")]
)
)
async for response in session.receive():
if response.data:
pass
asyncio.run(main())
Live API の機能
| 機能 | 説明 |
|---|
| リアルタイム音声入力 | マイクからの音声ストリーミング |
| リアルタイム音声出力 | 低レイテンシ音声生成 |
| 音声活動検出（VAD） | 自動的に発話区間を検出 |
| 割り込み対応 | ユーザーの割り込み発話に対応 |
| マルチモーダル入力 | 音声 + テキスト + 画像の同時入力 |
| ツール使用 | Function Calling との組み合わせ |
| セッション維持 | 会話コンテキストの保持 |
Live API の制限
| 項目 | 値 |
|---|
| セッション時間 | 最大 30 分 |
| 音声フォーマット | PCM 16bit、24kHz |
| 最大同時接続 | Tier 依存 |
音声認識（Speech-to-Text）
Gemini モデルでの音声認識
response = client.models.generate_content(
model="gemini-3.1-flash-preview",
contents=[
types.Part.from_text("この音声を文字起こしして"),
types.Part.from_uri(
file_uri="gs://bucket/recording.mp3",
mime_type="audio/mp3"
),
]
)
print(response.text)
対応音声フォーマット
| フォーマット | MIME タイプ |
|---|
| MP3 | audio/mp3 |
| WAV | audio/wav |
| FLAC | audio/flac |
| OGG | audio/ogg |
| AAC | audio/aac |
| WebM | audio/webm |
Chirp 3（ASR/TTS 専用）
| 項目 | 値 |
|---|
| モデル ID | chirp-3 |
| 用途 | 音声認識（ASR）・音声合成（TTS）専用 |
| 特徴 | 軽量、低コスト、100+ 言語対応 |
| 推奨場面 | バッチ音声処理、字幕生成、コスト最優先の TTS |
注意: Chirp 3 は Gemini のマルチモーダル機能とは別の専用モデル。対話的な用途には Live API を推奨。
用途別推奨
| 用途 | 推奨モデル | 理由 |
|---|
| 音声アシスタント | Flash Live | 低レイテンシ、コスト効率 |
| ナレーション生成 | Flash TTS | バッチ処理に最適 |
| 高品質対話 AI | Pro Live | 最高品質の音声 |
| 字幕生成 | Flash / Chirp 3 | コスト効率 |
| コールセンター | Flash Live | リアルタイム、低コスト |
| オーディオブック | Pro TTS | 感情表現が豊か |
