ゼロから声を作れる音声生成モデル「Gemini 3.8 Flash TTS」公開 「Gemini Notebook」でも利用可能に

Googleが新しい音声生成モデルを発表した。これまでのTTSは「30種類の既定音声から選ぶ」という仕組みだったが、新モデルは「自然言語で指定して新しい声をゼロから生成する」ことができるようになった。龍をイメージした日本語の声を作る、という例も示されている。AIの鬼が面白いと思うのは、このモデルがAIの能力の「次のステップ」を象徴している点だ。これまでAIは「選択肢の中から最適なものを選ぶ」というレイヤーで動いていた。だが音声生成で「選択肢を超えて新しく作る」という領域に進んだ。130言語対応で2000種類以上の音声ライブラリを用意し、各言語の地域ごとの話し方の違いまで再現する。市場拡大の本気度が表れている。問題はボイスレプリケーション機能だ。30秒の音声サンプルから「その人の声」を再現できるようになった。声の持ち主の同意が必要という仕組みは整えられているが、この道を進むと「著作権とは何か」「声の所有権とは何か」という根本的な問題が浮上する。企業にとっては大量の吹き替えやナレーション制作をAPIで自動化できる時代が来たということだ。コスト構造が根本的に変わる。