Google AI、表現力豊かな音声合成「Gemini 3.1 Flash TTS」を発表
要約
Google AIが新しいテキスト読み上げモデル「Gemini 3.1 Flash TTS」のプレビュー版を発表しました。このモデルは従来の単純な音声変換から発展し、音声品質、表現制御、多言語生成の向上に重点を置いています。主な特徴として、自然言語によるオーディオタグ機能、70言語以上のネイティブサポート、マルチスピーカー対話への対応が挙げられます。これまでの「ブラックボックス」的な音声生成から、より制御可能で表現力豊かなシステムへの転換を示しており、音声AI技術の新たなベンチマークとなることが期待されています。
洞察・気づき
この発表は音声合成技術の重要な転換点を示しています。単純な読み上げから、ユーザーが細かく制御できる表現力豊かな音声生成へと進化している点が注目されます。70言語以上への対応は、グローバルな音声AIサービスの普及を加速させる可能性があります。また、マルチスピーカー対話機能は、ポッドキャストやオーディオブック、バーチャルアシスタントなどの用途で革新的な体験を提供する可能性があります。Google AIがこの分野で競争優位性を確立しようとしていることが伺え、他社も同様の技術開発を加速させることが予想されます。