Gemini 3.1 Flash TTS が得意なこと、そして苦手なこと

Gemini 3.1 Flash TTS は Google の表現力豊かなテキストtoスピーチモデル、Gemini 音声の血統をベースに構築。2 つの定義的な強みは 30 種の名前付き声のライブラリ——Kore、Puck、Zephyr、Achernar など、幅広いトーンとキャラクターをカバー——と、配達を指示する独立したスタイル指示フィールド。同じスクリプトは指示に応じてアップビート、穏やか、ドラマチックに読み分け可能、声を選ぶだけより細かい制御を提供。

価格は 1,000 文字あたり、コストがスクリプト長に比例してスケール——短いボイスオーバーから完全なナレーションまで予測可能。会話アバター作業との自然な組み合わせ：ここで声を生成し、Kling Avatar V2 などのモデルで駆動。

ZOOOP の音声モデル群での位置：Multilingual V3 は深い声制御を持つ ElevenLabs のフラッグシップ；Qwen3-TTS と Inworld TTS は多言語カバレッジとコストパフォーマンスでリード。Gemini 3.1 Flash TTS のスイートスポットは Google の声で表現力豊か、スタイル指示のナレーション。

判断の目安：明示的なスタイル制御で表現力豊かなナレーションを望むときは Gemini 3.1 Flash TTS をデフォルトに、ElevenLabs の声ライブラリには Multilingual V3 に、幅広い多言語カバレッジには Inworld/Qwen に切替。