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 は、Google が提供する Text-to-Speech モデルです。
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。
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。
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。
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。
Gemini TTS API を呼び出す際のポイントは以下の 2 点です。
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。
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？
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）
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）
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。
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：
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：
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。
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。
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。
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 🙏
/assets/images/8974569/original/a80950ae-d8e2-4245-9695-f823e2d47517?1646393363)
/assets/images/22662369/original/1fbbc184-09b1-4b92-9925-e0c80625cba1?1765255298)
/assets/images/8974569/original/a80950ae-d8e2-4245-9695-f823e2d47517?1646393363)
