gemini-audio-tts

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"  # 音声プロファイル
                )
            )
        )
    )
)

# 音声データの保存
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:
        # テキスト入力 → 音声出力
        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:
                # 音声データを処理
                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