はじめに

今回、Google の Gemini 2.5 Flash Preview TTS モデルを使って、感情豊かなボイスチャットアプリを作ってみました。

このモデルの面白いところは、プロンプトで音声の読み方（トーン・感情）を指定できるという点。従来の TTS は「テキストを読み上げる」だけでしたが、Gemini TTS では「笑いながら読んで」「怒って読んで」といった演技指導ができます。

めちゃめちゃ怒られました。ほんとすみませんでした。

本記事では、実際にボイスチャットアプリを構築しながら、この「演技指導」機能を検証した結果をお伝えします。

gemini-2.5-flash-preview-tts とは

gemini-2.5-flash-preview-tts は、Google が提供する Text-to-Speech モデルです。

従来の TTS との違い

項目	OpenAI TTS (gpt-4o-mini-tts)	Gemini 2.5 Flash Preview TTS
感情表現	プロンプトで指定可能だが限定的	プロンプトで指定可能
カスタマイズ	instructions パラメータで指示	テキスト冒頭に演技指示を記述
音声プリセット	13 種類	30 種類（男性 16 種/女性 14 種）
出力形式	mp3, opus, aac, flac, wav, pcm	PCM (24kHz/16bit mono)
最大入力長	4,096 文字	制限なし（実用上 500 文字推奨）

利用可能なボイス

男性・女性それぞれ多様なキャラクターの声が用意されています。

男性ボイス（16 種類）: Puck, Charon, Fenrir, Achird, Zubenelgenubi, Algieba, Alnilam, Orus, Enceladus, Iapetus, Umbriel, Algenib, Rasalgethi, Schedar, Sadachbia, Sadaltager
女性ボイス（14 種類）: Zephyr, Kore, Leda, Aoede, Callirrhoe, Autonoe, Despina, Erinome, Gacrux, Laomedeia, Achernar, Pulcherrima, Vindemiatrix, Sulafat

30 種類もあるのはありがたいですね。今回は男性ボイスの Zubenelgenubi（カジュアル、リラックス）を使用しました。

アーキテクチャ全体像

今回構築したボイスチャットアプリのアーキテクチャは以下の通りです。

処理フロー

音声入力: ユーザーの発話を Web Speech API で認識・テキスト化
テキスト生成: gemini-3-flash-preview でトーンを加味した応答文を生成
音声合成: gemini-2.5-flash-preview-tts でトーンを加味した音声を生成
音声再生: WebAudio API で PCM データを再生

シンプルな構成ですが、ポイントは「テキスト生成」と「音声合成」の両方でトーンを制御しているところです。

実装のポイント

TTS API の呼び出し方

Gemini TTS API を呼び出す際のポイントは以下の 2 点です。

responseModalities: ['AUDIO'] を指定してオーディオ出力を要求
speechConfig でボイスを指定

const response = await ai.models.generateContent({
  model: "gemini-2.5-flash-preview-tts",
  contents: [{ parts: [{ text: "読み上げてほしいテキスト" }] }],
  config: {
    responseModalities: ["AUDIO"],
    speechConfig: {
      voiceConfig: {
        prebuiltVoiceConfig: { voiceName: "Zubenelgenubi" },
      },
    },
  },
});

レスポンスは Base64 エンコードされた 24kHz/16bit mono の PCM データで返ってきます。

トーン（感情）制御の二段構え

今回のアプリでは、テキスト生成時と音声生成時の両方でトーンを制御しています。

なぜ二段構えなのか？

テキスト生成時: 文章の語尾や表現をトーンに合わせて調整（日本語）
音声生成時: 実際の読み方・声色をトーンに合わせて調整（英語プロンプト）

この二段構えにより、テキストの内容と音声の表現が一貫した感情表現になります。TTS への指示だけだと「文章は普通なのに声だけ怒ってる」みたいな違和感が出てしまいます。

使用しているプロンプト

テキスト生成用プロンプト（日本語）

トーン	プロンプト
default	`# 話し方のスタイル` `- 温かみのある親しみやすい口調で話してください`
happy	`# 話し方のスタイル` `- 明るく楽しそうな口調で話してください` `- 文末に「！」を使って元気さを出してください`
sad	`# 話し方のスタイル` `- 悲しそうな口調で話してください` `- 文末に「...」を使って余韻を出してください`
angry	`# 話し方のスタイル` `- 怒りを込めた強い口調で話してください` `- 文末に「！」を使って語気の強さを出してください`
sarcastic	`# 話し方のスタイル` `- 皮肉っぽく嫌味な口調で話してください` `- 見下すようなニュアンスを語尾に込めてください`

音声生成用プロンプト（英語）

トーン	プロンプト
default	`Read aloud in a warm and friendly tone:`
happy	`Read aloud in a very cheerful, laughing, and joyful voice as if you are extremely happy and cannot contain your laughter:`
sad	`Read aloud in a very sad, tearful, and sobbing voice as if you are crying deeply:`
angry	`Read aloud in a very angry, frustrated, and aggressive voice as if you are furious and shouting:`
sarcastic	`Read aloud in a condescending, sarcastic, and snide voice with a mocking tone as if you think you are better than everyone else:`

こんな感じで、テキスト生成では日本語で口調を指示し、TTS では英語で読み方を詳細に指示しています。

工夫した点・ハマった点

工夫した点

1. 原稿作成からトーンを加味

前述の通り、TTS への演技指導だけでなく、テキスト生成の段階からトーンを反映させました。

例えば「悲しんでいる」トーンを選択すると：

テキスト生成時: 文末に「...」を使った余韻のある文章を生成
音声生成時: 泣きそうな声で読み上げ

これにより、文章の内容と声のトーンが一致し、より自然な感情表現が実現できました。

2. プッシュ・トゥ・トーク方式の採用

常時マイクをオンにする方式ではなく、スペースキー長押しで発話するプッシュ・トゥ・トーク方式を採用しました。

理由は以下の通りです：

ノイズの誤検知防止: 環境音や独り言を拾ってしまう問題を回避
意図しない会話の防止: ユーザーが明示的に話しかけたい時だけ認識
レイテンシの体感改善: 発話終了のタイミングが明確になり、待ち時間が気になりにくい

常時リスニングだと、環境音や自身の発生を拾って勝手に応答し始めてしまいました、、。それを防ぐためにプッシュ・トゥ・トークにしました。

3. テキスト長の制限

TTS API の安定性向上のため、テキストを 500 文字に制限しています。長すぎるテキストは途中で切り、「...」を付加して自然に聞こえるようにしました。

ハマった点

日本語プロンプトでの精度問題

当初、TTS API への演技指導も日本語で行っていました。

❌ 「笑いながら楽しそうに読んでください」

しかし、日本語プロンプトでは思ったようなトーン制御ができませんでした。感情の変化が薄かったり、指示が無視されることがあって、なかなか安定しませんでした。

解決策: 英語プロンプトに切り替え

✅ "Read aloud in a very cheerful, laughing, and joyful voice as if you are extremely happy and cannot contain your laughter:"

英語で詳細に指示することで、期待通りの感情表現が得られるようになりました。特に as if you are... のように具体的なシチュエーションを描写すると効果的でした。

まとめ

Gemini 2.5 Flash Preview TTS を使って、感情表現が可能なボイスチャットアプリを構築しました。

検証結果

演技指導は有効: 英語プロンプトで詳細に指示すれば、笑い声や怒り声など、様々なトーンで読み上げてくれる
二段構えが効果的: テキスト生成と音声生成の両方でトーンを制御することで、一貫した感情表現が可能
日本語プロンプトは課題あり: 現時点では英語プロンプトの方が精度が高い

今後の可能性

キャラクター AI との組み合わせ（喜怒哀楽のある対話）
ナレーション・朗読アプリ（場面に応じた感情表現）
教育コンテンツ（感情を込めた説明）

Gemini TTS の「演技指導」機能は、従来の TTS にはない表現力を持っています。まだ Preview 版ですが、今後の進化が楽しみです 🙏