はじめに

GoogleのGemini 2.5 Flash Preview TTSを使うと、REST APIだけで自然な日本語ナレーション音声を生成できます。従来のGoogle Cloud TTSと比べて、原稿のトーンを自動で読み取り、感情豊かな音声を出力してくれるのが特徴です。

この記事では、APIキーの取得からcurlでの音声生成、Node.jsでのWAVファイル変換、さらに感情を込めた音声を作るコツまでを解説します。

Gemini 2.5 Flash TTS とは

Gemini 2.5 Flash Preview TTSは、Googleが提供するテキスト読み上げ（Text-to-Speech）モデルです。

従来のCloud TTSとの違い：

テキストの感情やトーンを自動で検出し、抑揚のある音声を生成
response_modalities: ["AUDIO"] を指定するだけで音声レスポンスを取得
複数の声質（Zephyr、Kore、Aoede等）から選択可能
Gemini APIキーだけで利用可能（Cloud TTSの別契約不要）

モデル名は gemini-2.5-flash-preview-tts です。

環境準備とAPIキーの取得

必要なもの

Googleアカウント
Gemini APIキー（Google AI Studio で取得）
curl または Node.js 環境

APIキーの取得手順

Google AI Studio にアクセス
左メニューから「Get API key」をクリック
「Create API key」でキーを生成
環境変数に設定:

export GEMINI_API_KEY="your-api-key-here"

curlでナレーション音声を生成してみる

まずはcurlで動作確認してみましょう。

curl -s \
  "https://generativelanguage.googleapis.com/v1beta/models/gemini-2.5-flash-preview-tts:generateContent?key=${GEMINI_API_KEY}" \
  -H 'Content-Type: application/json' \
  -d '{
    "contents": [
      {
        "parts": [
          {
            "text": "こんにちは！今日はGemini TTSの使い方を解説します。APIひとつで、こんなに自然な音声が作れるんです。"
          }
        ]
      }
    ],
    "generationConfig": {
      "response_modalities": ["AUDIO"],
      "speech_config": {
        "voice_config": {
          "prebuilt_voice_config": {
            "voice_name": "Zephyr"
          }
        }
      }
    }
  }' -o response.json

レスポンスはJSON形式で、candidates[0].content.parts[0].inlineData.data にBase64エンコードされた音声データが入っています。音声フォーマットは PCM Linear16、サンプリングレート24kHz です。

レスポンスの確認

# Base64データの先頭を確認
cat response.json | jq -r '.candidates[0].content.parts[0].inlineData.mimeType'
# → "audio/L16;rate=24000"

Node.jsでWAVファイルに変換する

APIレスポンスのPCMデータをそのまま再生することはできないので、WAVヘッダーを付与してファイルに保存します。

// decode-audio.js
const fs = require('fs');

const response = JSON.parse(fs.readFileSync('response.json', 'utf-8'));
const base64Audio = response.candidates[0].content.parts[0].inlineData.data;
const pcmBuffer = Buffer.from(base64Audio, 'base64');

// WAVヘッダーを作成（PCM L16, 24kHz, mono）
const sampleRate = 24000;
const bitsPerSample = 16;
const numChannels = 1;
const byteRate = sampleRate * numChannels * (bitsPerSample / 8);
const blockAlign = numChannels * (bitsPerSample / 8);
const dataSize = pcmBuffer.length;

const header = Buffer.alloc(44);
header.write('RIFF', 0);
header.writeUInt32LE(36 + dataSize, 4);
header.write('WAVE', 8);
header.write('fmt ', 12);
header.writeUInt32LE(16, 16);           // fmt chunk size
header.writeUInt16LE(1, 20);            // PCM format
header.writeUInt16LE(numChannels, 22);
header.writeUInt32LE(sampleRate, 24);
header.writeUInt32LE(byteRate, 28);
header.writeUInt16LE(blockAlign, 32);
header.writeUInt16LE(bitsPerSample, 34);
header.write('data', 36);
header.writeUInt32LE(dataSize, 40);

const wavBuffer = Buffer.concat([header, pcmBuffer]);
fs.writeFileSync('output.wav', wavBuffer);
console.log(`WAV file saved: ${(wavBuffer.length / 1024).toFixed(1)} KB`);

node decode-audio.js
# → WAV file saved: 158.3 KB

生成された output.wav を再生すると、自然な日本語ナレーションが聞けるはずです。

感情豊かな音声を作るコツ

Gemini TTS 2.5は原稿のトーンを自動で読み取って抑揚を変えるという特徴があります。つまり、APIパラメータで感情を指定するのではなく、入力テキスト自体の書き方で音声の雰囲気が変わります。

明るくしたいとき

感嘆符やポジティブな表現を使います。

{
  "text": "おめでとうございます！ついに完成しましたね！これは本当にすごいことです！"
}

落ち着いたトーンにしたいとき

句点で終わる解説調の文章にします。

{
  "text": "それでは、設定ファイルの各項目について順番に見ていきましょう。まず最初に確認するのは、認証情報の設定です。"
}

盛り上げたいとき

締めくくりや感謝のメッセージを入れます。

{
  "text": "いかがでしたか？ぜひ皆さんも試してみてください！きっと新しい可能性が広がるはずです！"
}

利用可能な音声

音声名	特徴
Zephyr	明るく親しみやすい。ナレーション向き
Kore	落ち着いたビジネス調。解説向き
Aoede	柔らかく優しい。ストーリー向き

用途に合わせて voice_name を切り替えてみてください。

おまけ：Whisper APIで字幕も自動生成

生成した音声にタイムスタンプ付き字幕をつけたい場合、OpenAIのWhisper APIと組み合わせると便利です。

curl https://api.openai.com/v1/audio/transcriptions \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -F file=@output.wav \
  -F model=whisper-1 \
  -F response_format=srt \
  -F language=ja \
  -o subtitles.srt

これで動画のナレーション＋字幕を完全にAPIだけで作ることができます。

まとめ

Gemini 2.5 Flash TTSは、REST APIだけで自然な日本語音声を生成できる
レスポンスはPCM L16(24kHz)のBase64データ → WAVヘッダーを付与して保存
感情表現はAPIパラメータではなく、入力テキストの書き方で制御する
Whisper APIと組み合わせれば、ナレーション＋字幕の自動生成パイプラインが作れる

実際に私はこの仕組みを使って、YouTube Shortsのナレーション音声を自動生成しています。ぜひ皆さんのプロジェクトでも活用してみてください。

参考リンク