Gemini 3.8 Flash TTSで日本語ナレーションを作る 14行を分けた制作記録

日本語ナレーションを作るとき、声のモデルと同じくらい大切なのが、どの単位で作って直すかです。FablessBridgeの2026年10月16日の制作では、Gemini 3.8 Flash TTSで14行を別々の音声にしました。保存されている14ファイルの長さを合計すると約44.72秒です。この記事では音質の順位ではなく、読み・修正・編集を扱いやすくする工程を紹介します。

画面に出す字幕は、読みやすい漢字と正式表記を使います。一方、音声に渡す文章では、誤読しやすい語をひらがなやカタカナに置き換えられるようにしました。

例えば、架空の案内文「新サービスの受付は10月21日からです」なら、字幕をそのままにして、音声用には日付の読み方を調整する、といった使い分けができます。これは説明用の例で、今回生成した音声の引用ではありません。

字幕の文章まで読み指定で書き換えると、映像側に不自然な表記が残ります。字幕用の文字列と音声用の文字列を別に持ち、同じ行IDで対応させると修正箇所を追いやすくなります。

1本の長い音声では、後半の一語を直しただけでも、全体の間や抑揚が変わることがあります。今回は行ごとに音声を保存し、編集時に並べました。特定の読みを直す場合、その行だけを対象にできます。

一方、短く分ければ必ず自然になるわけではありません。行の境目で息遣いや音量が変わることもあります。各ファイルの確認に加え、前後をつないだ状態で聞く工程が必要です。保存できた14本の存在と長さは確認しましたが、この記事で声質の優劣を新たに採点したわけではありません。

制作スクリプトではモデルIDをgemini-3.8-flash-ttsに固定し、落ち着いた広告ナレーション、自然な日本語、控えめな抑揚、少し速いテンポという共通の方向を指定しました。モデルの出力はWAVとして受け取り、編集用MP3へ変換しています。

Googleはこのモデルで話し方の指定や複数話者などを案内しています。FlashとFlash-Liteには用途上の位置付けの違いがありますが、今回の14行を作ったモデルはFlashです。公式モデル説明

音声ファイルの変換や編集を行う場合も、生成直後のファイルを残しておくと、モデルの出力にあった問題と後処理で生じた問題を切り分けられます。

当時の制作スクリプトは、出力音声1秒を25トークン、100万出力トークンを9ドルとして概算しました。この式に約44.72秒を入れると、音声出力分は約0.0101ドルです。

この金額は出力分だけの概算です。入力テキストの料金や、別の試行があればその費用も別に考える必要があります。請求明細と照合した総額ではありません。2026年10月19日に確認したStandard料金では、出力100万トークン9ドルは2026年12月31日まで、2027年1月1日からは18ドルと案内されています。同じ約44.72秒なら、出力分の概算は約0.0201ドルになります。入力料金も別にあり、利用時は公式料金ページで適用日と処理区分を確認してください。

今回の処理では上限を0.50ドルとし、自動再試行を行わない設計でした。低い単価でも、読み直しを何度も繰り返すなら、試行数を含めて管理した方が実際の制作費が分かります。

別モデルへ移るときは、同じ短い原稿に固有名詞、数字、英字、文の切れ目を入れます。読む内容が合っているか、間を編集で直せるか、同じ声を複数行で維持できるかを分けて聞くと、採用判断がしやすくなります。

感情表現の強い声が、すべての説明動画に合うとは限りません。まず原稿の意味が正しく伝わることを確認し、作品に必要な抑揚を追加します。映像・字幕・BGMと一緒にした最終状態でも確認してください。

声と映像の組み立て方は、声と音の制作記事にまとめています。

制作記録：2026年10月16日。ファイル数・尺の再確認：2026年10月19日。