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

記法とAPI形式は2026年10月23日に公式ガイドと照合しました。測定値は2026年9月27日の既存記録です。今回は元音声・測定コード・書き起こしを再照合しておらず、API生成や聴取も再実施していません。

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

以下は同じ原稿を各3回生成し、途中で最長の無音を測った当時の記録です。モデル・声・原稿に依存する参考値で、タグの秒数仕様ではありません。

掲載した各3回の記録では、文末の無指定と<short pause>の範囲が重なっています。この少数試行だけで、タグに効果がないとは判断できません。

句点のみでも0.48〜0.69秒の無音が記録されています。ただし、測った「途中で最長の無音」が必ずタグ位置の間に対応するとは限らず、波形と聴取で位置を確かめる必要があります。

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。

固定秒数が必要なら生成後に波形と聴取で対象位置を確認し、音声編集で無音を調整します。再生成による聞き比べだけでは長さを保証できません。

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。

当時の書き起こしは<breath>を拾いませんでした。書き起こしに出ないことだけでは、息の音が生成されなかったとは判断できません。

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、styleは同じ発話のannotationsに書きます。Python例はgoogle-genai >= 2.25.0と、対象モデルを利用できるAPI認証が前提です。APIキーはGEMINI_API_KEYなどの安全な環境設定で渡し、コードへ直書きしないでください。

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例の本文とstyleを変更したものです。interaction.output_audioはSDKの便利プロパティで、RESTのJSONではsteps[].content[].dataの音声ブロックを扱います。レスポンスのMIMEタイプを確認して保存してください。

2026年9月27日の記録では、同じ中身をREST（/v1beta/interactions）で送って音声生成を確認しています。今回のPython SDKでの実行確認ではありません。

この単発リクエストの既定出力はaudio/wavです。base64を復号したWAVへヘッダーを重ねて付けないでください。PCMなどを明示指定した場合は、指定形式に応じて保存方法を変えます。

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"},
    ],
},

RESTのspeech_config.modeにはconversationalを指定できます。本文の2話者コードはRESTのフィールド構成を説明する断片で、そのまま実行するPythonプログラムや完全なJSONではありません。現行SDK例ではspeech_configへspeakersを持つオブジェクトを渡します。

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。

2話者の設定と相づちは公式資料に基づく例ですが、この記事では音声生成を検証していません。カスタム音声で複数話者を組み合わせる場合は、各話者の発話を別々に生成する方法が案内されています。

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）

よくある質問：Gemini 3.8 Flash TTSのタグと話し方

Gemini 3.8 Flash TTSで、間を入れるには、どう書きますか？

本文の中に、英語のタグを半角の山括弧で書きます。

短い間は <short pause>、長めの間は <long pause> です。

間を入れたいだけなら、この2つを覚えれば足ります。

閉じタグはいりません。

句読点でも間は入ります。

<short pause> を文末に入れると、間は長くなりますか？

9月27日の既存記録では文末の無指定と<short pause>の測定範囲が重なりました。各3回の参考値なので、差がないという一般的な結論にはできません。

句点のみでも0.48〜0.69秒の無音が記録されています。ただし、測った「途中で最長の無音」が必ずタグ位置の間に対応するとは限らず、波形と聴取で位置を確かめる必要があります。

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、どれくらいの間になりますか？

文末に入れると、記事の測定では1.47〜3.13秒で、はっきり間が伸びる一方、回ごとの差が大きく出ました。

固定秒数が必要なら生成後に波形と聴取で対象位置を確認し、音声編集で無音を調整します。再生成による聞き比べだけでは長さを保証できません。

息・笑い・ため息は、どのタグで入れますか？

息は <breath>、笑いは <laugh>・<chuckle>、ため息は <sigh>、咳払いは <throat-clearing> などです。

公式ガイドで勧められているタグには、ほかにも泣く・叫ぶ・ささやくなどの種類があります。

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。

当時の書き起こしでは笑い・ため息が記録され、息は拾われませんでした。音が実際に生成されたかの判定には、元音声の聴取と波形の確認が必要です。

日本語の原稿でも、タグは英語で書くのですか？

英語・半角で書きます。

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。

記事の測定では、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、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。

全体の速さや声の調子は、どこに書きますか？

本文とは別の style に、短い言葉で書きます。

公式ガイドの例は、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）などです。

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。

日本語で書いた style も、効きますか？

記事の測定では、speaking slowly でも、日本語の「ゆっくり話す」でも、話している部分の長さが2倍ほどになり、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。

2人の会話や、旧モデルからの移行は、どうしますか？

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、発話ごとに text を分け、それぞれの speech_metadata に speaker を書きます（公式の移行ガイドは、すべての発話に speaker を書くことを求めています）。

RESTのspeech_config.modeにはconversationalを指定できます。本文の2話者コードはRESTのフィールド構成を説明する断片で、そのまま実行するPythonプログラムや完全なJSONではありません。現行SDK例ではspeech_configへspeakersを持つオブジェクトを渡します。

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が、3.8では、その指示を style に、話者の名前を speaker に移します。

なお、2人の会話と相づちは、記事の筆者は試していません。

記法は2026年10月23日の公式ガイドと照合済みです。掲載した9月の測定記録は今回再検証しておらず、現行SDK実行・音声生成・聴取・2話者の相づちも未検証です。