Gemini 3.8 Flash TTSの記法｜間・息・笑いのタグとstyleの書き分け

Gemini 3.8 Flash TTSは、話し方の指定と、本文に入れるタグを分けて書きます。

間を入れたいだけなら、<short pause>と<long pause>の2つを覚えれば足ります。

• 間・息・笑い・ため息：本文の中に、英語のタグを山括弧で書く
• 全体の速さや声の調子：本文とは別の style に書く
• 閉じタグ：いらない
• 日本語の原稿でも：タグは英語・半角で書く

この記事は、2026年9月27日時点の公式ガイドの記載と、同じ日に当方がAPIで音声を作って測った結果にもとづいています。

よく使う記法の早見表

タグは、日本語の原稿の中でも英語のまま、半角の山括弧で書きます。

styleと本文のタグの違い

Gemini 3.8 Flash TTSは、本文をそのまま読み上げる原稿として扱います。

そのため公式ガイドでは、指示を効く範囲で2つに分けて書くよう説明されています。

styleには、年齢・性別・名前・ずっと変わらない訛りは書かないよう勧められています。

それらは、声そのものを選ぶか、Voice designで声を作る側で決めます。

間の入れ方

句読点で入れる

公式ガイドでは、カンマ・ダッシュ・三点リーダーで、会話らしい自然なためらいが出るとされています。

タグを使う前に、まず句読点で足りるかを聞いてみると手間が減ります。

<short pause>と<long pause>

間を置きたい位置に、そのままタグを書きます。

今日の作業はここまでです。<long pause>明日は資料の見直しから始めます。

秒数を指定する記法は、公式ガイドにはありません。

実際にどれくらい間が空くか

同じ原稿を3回ずつ音声にして、途中でいちばん長く続いた無音の長さを測りました。

文末では、<short pause>を入れても入れなくても、間の長さにほとんど差が出ませんでした。

句点だけで0.5秒前後の間が空いていたためです。

文の途中に入れた<short pause>は、3回中2回で0.8秒近い間になりました。

<long pause>は、はっきり間が伸びる一方で、1.5秒から3.1秒まで回ごとの差が大きく出ました。

間の長さをそろえたいときは、何回か作って聞き比べるのが確実です。

測った原稿は次の2つです。

文末：今日の作業はここまでです。（ここにタグ）明日は資料の見直しから始めます。
文の途中：資料は（ここにタグ）明日までに出します。

息・笑い・ため息のタグ一覧

公式ガイドで勧められているタグは、次のとおりです。

拍手や物音のような、人の声でない効果音のタグは避けるよう書かれています。

当方の試しでは、<laugh>と<sigh>は、書き起こしにも笑い声・ため息として出ました。

<breath>は小さな音のため、書き起こしでは拾えませんでした。

日本語の原稿でもタグは英語・半角で書く

公式ガイドには、英語以外の原稿でも、タグは英語のまま使うと良い結果になると書かれています。

閉じタグはなく、<laugh>…</laugh>のように囲む書き方は公式ガイドに載っていません。

全角や日本語で書いたときに起きたこと

同じ原稿で、タグの書き方だけを変えて音声を作り、読まれた言葉を書き起こして比べました。

全角の山括弧では、原稿にない一言をAIが足してしまうことがありました。

日本語で書いたタグは、「短い間」とそのまま読み上げられることがありました。

日本語入力のまま打つと山括弧が全角になりやすいので、半角に切り替えてから打ちます。

styleの書き方

styleは、speech_metadata の中に、短い言葉で書きます。

公式ガイドには、次のような例が載っています。

• cheerful and friendly（明るく親しげに）
• calm and relaxed（落ち着いて）
• speaking slowly（ゆっくり）
• speaking rapidly（早口で）
• whispers（ささやく）
• out of breath（息を切らして）
• monotone and flat（抑揚なく）

公式ガイドでは、まずstyleを空にして試し、直したい発話にだけ短い指定を足す手順が勧められています。

何段落もある長い演出メモは、声が回ごとにぶれるいちばんの原因とされています。

話の途中で感情を変えたいときは、発話を分けて、それぞれにstyleを付けます。

styleの効き方

30字ほどの原稿を、styleなしと、styleありで3回ずつ音声にして、話している部分の長さを測りました。

どちらも2倍ほどの長さになり、日本語で書いたstyleも効いていました。

ただし公式ガイドの例はすべて英語なので、迷ったら英語で書くほうが無難です。

コードで書くとこうなる

本文は text に、styleは同じ発話の annotations の中に書きます。

import base64
from google import genai

client = genai.Client()

interaction = client.interactions.create(
    model="gemini-3.8-flash-tts",
    input=[{
        "type": "user_input",
        "content": [{
            "type": "text",
            "text": "今日の作業はここまでです。<long pause>明日は資料の見直しから始めます。",
            "annotations": [{
                "type": "speech_metadata",
                "style": "speaking slowly",
            }],
        }],
    }],
    response_format={"type": "audio"},
    generation_config={"speech_config": [{"voice": "Kore"}]},
)

with open("out.wav", "wb") as f:
    f.write(base64.b64decode(interaction.output_audio.data))

これは公式ガイドのPythonの例の、本文とstyleだけを差し替えたものです。

当方は、同じ中身をREST（/v1beta/interactions）で送って音声ができることを確かめました。

Gemini 3.8のTTSは、何も指定しなければWAVで返すので、そのままファイルに書けば再生できます。

2人の会話と相づちの記法

1回のリクエストで話させられるのは、用意された声を使った2人までです。

発話ごとに text を分け、それぞれの speech_metadata に speaker を書きます。

公式の移行ガイドでは、すべての発話に speaker を書くことが求められています。

"content": [
    {"type": "text", "text": "資料はもう見ましたか？",
     "annotations": [{"type": "speech_metadata", "speaker": "Joe"}]},
    {"type": "text", "text": "<chuckle>まだ半分です。",
     "annotations": [{"type": "speech_metadata", "speaker": "Jane"}]},
],
# generation_config の speech_config に書く
"speech_config": {
    "mode": "conversational",
    "speakers": [
        {"speaker": "Joe", "voice": "Puck"},
        {"speaker": "Jane", "voice": "Kore"},
    ],
},

mode を conversational にすると、会話らしい間合いで順番に話します。

聞き手の短い相づちは、話し手の発話の中に縦棒で囲んで書けます。

So the launch is Thursday |oh hmm| Are we actually ready?

縦棒の中は、聞き手の相づちとして重ねて読まれます。

上のコードは公式の例の形に合わせて当方が書いたもので、2人の会話と相づちは試していません。

旧モデルから移るときに変わる書き方

gemini-3.1-flash-tts-preview までは、演出の指示を本文に書き込む使い方がありました。

3.8では、その指示を style に、話者の名前を speaker に移すよう、公式の移行ガイドに書かれています。

当方の試しでは、「（ゆっくり穏やかに）」や「(speaking slowly)」を本文の頭に書いても、5回とも読み上げられはしませんでした。

ただ、本文に指示を書く使い方は3.8の公式ガイドでは案内されていないため、styleに書くほうが確かです。

音声の形式も変わり、以前は頭の情報がない生のPCMで返っていたのが、3.8ではWAVで返ります。

自分でWAVの頭を付けていたコードは、その処理を外して、返ってきた中身をそのまま書き出すよう案内されています。

APIの料金は、ChatGPT・Claude・GeminiのAPI料金の比較にまとめています。

出典

• Text-to-speech generation (TTS)（Gemini API 公式ドキュメント）