Gemini 3.8 Flash TTSとOpus 5.5で説明動画は作れる？｜日本語の読み・料金・実際に1本作った結果

「Gemini 3.8 Flash TTS の声と Claude Opus 5.5 を組み合わせれば、社内の説明動画を外注せずに作れるのだろうか」。

9月22日に Claude Opus 5.5 が、23日に読み上げ AI の Gemini 3.8 Flash TTS が出ました。同じ週の X では、Opus 5.5 の動画と Gemini の日本語の声がそれぞれ話題になりました。

作れます。i-Style では、Opus 5.5 に台本と画面を書かせ、声を Gemini 3.8 Flash TTS に読ませて、約1分の説明動画を1本作りました。声の生成は7文で53秒、定価で計算すると約2セントです。ただ、台本をまとめて1回で読ませると、製品名が1語抜けました。

話題は2つ。Opus 5.5 は動画を描くコードを書き、声は Gemini が読む

「Opus 5.5 は映像を直接作らず、コードを書く」という見方を広めたのは、米国時間9月24日の X の投稿です。画像も動画も直接は作れないが、描いて動かして編集するコードは書ける、という指摘に約3,200件のいいねが付きました（@EricBuess）。翌25日には、「15秒のモーショングラフィックス（文字や図形が動く映像）を作って」と頼んだだけの動画に、約3,700件のいいねが付いています（@ajith_io）。

ただ、Opus 5.5 は声を出せません。ナレーションを付けるには、文章を読み上げる別の AI が要ります。そこへ同じ週に出たのが Gemini 3.8 Flash TTS でした。

2つを組み合わせた実装も出ています。ニュース記事からナレーション付きの動画を作る Mac 向けのアプリ（GitHub で公開されている NewsVideo）は、9月26日に台本づくりへ Opus 5.5 を、声へ Gemini 3.8 Flash TTS を加えました。

Gemini 3.8 Flash TTS は、声を「選ぶ」から「作る」に広げた

今回出たのは2つです。表現の細かさを重視した Gemini 3.8 Flash TTS と、大量に安く作るための Gemini 3.8 Flash-Lite TTS です。呼び出し方は同じで、モデル名を替えるだけで切り替えられます。

声は、基本の30種類に加えて、公式の発表では2,000種類以上から選べます。日本語の声だけを一覧で取り出すと115種類で、東京のなまりが73、大阪が22、福岡が20でした（9月27日に i-Style で確認）。

新しいのは声の作り方です。「落ち着いた中年の男性ナレーター」のように文章で説明して、新しい声を作れます。10〜30秒の録音から、特定の人の声を再現することもできます。

再現には、声の持ち主が同意の文を読み上げた録音が要ります。日本語の同意文も用意されています。ブラウザで試せる Google AI Studio からの再現は、日本でも使えます（使えない国と地域は、公式ブログの注記にあります）。

2人の掛け合いは1回の依頼で作れます。3人以上は1人ずつ作ってつなぎます。作った音声にはすべて、耳では聞き取れない透かし（SynthID）が入ります。

使える場所は、開発者向けの Gemini API と Google AI Studio です。一般向けには Gemini Notebook に入り、Flash-Lite は Google の動画作成ツール Google Vids でも使われます。企業向けの Gemini Enterprise は「近日」とされています（9月27日時点）。

料金表の換算は1分1.35セント。手元では約3割多くかかった

料金は、読ませる文章と、でき上がった音声の量で決まります。公式の料金表は音声を「10秒あたり」で示しているので、1分あたりに直しました。次の章の実測から計算した額も並べます（米ドル、税別、9月27日に確認）。

手元では、料金表の換算より約3割多くかかりました。料金表は、音声1秒を25トークン（AI が量を数える単位）として換算しています。i-Style で作った19本の音声は、どれも1秒あたり約32トークンでした。請求画面の金額までは見ていませんが、見積もりは応答のトークン数で立てたほうが外れません。

料金表より約3割高くつく点を差し引いても、安い部類です。評価サイトの Artificial Analysis は、100万文字あたりに直した価格を、Gemini 3.8 Flash TTS で32.98ドル、音声合成の専業サービスの上位モデルで100ドルとしています（米国時間9月23日の投稿）。

無料枠もあります。ただし、無料枠で送った内容は Google の製品の改善に使われると料金表に書かれています。社外に出したくない台本は、有料枠で扱うほうが無難です。

1分の説明動画を1本作った。声の生成は53秒、組み立ては15秒

9月27日の夜、i-Style で実際に作りました。台本（7文・379字）とスライドの HTML、つなぎ合わせる手順は、Claude Code（Opus 5.5・定額の Max プラン）が書いています。

声は Gemini 3.8 Flash TTS の既製の声（Kore）で、演出の指示は付けていません。公式の手引きが、まず指示なしで読ませるよう勧めているためです。比べるために、同じ台本を Flash-Lite でも、まとめて1回で読ませる形でも作りました。

1文ずつ順に頼むと、1文あたり6〜9秒で返ってきました。スライド7枚を画像にして音声とつなぐ処理は15秒で、でき上がりは約72秒の動画です。まとめて1回で頼むと、生成は25秒で済みました。

読みは、作った音声を手元の文字起こし AI（mlx-whisper の2種類の型）で文字に戻し、台本と突き合わせました。1文ずつ読ませた版は、Flash も Flash-Lite も語を落としていません。「2026年12月31日」「1.4セント」などの数字も台本どおりでした。

うまくいかなかったのは、まとめて1回で読ませた版です。「Claude Opus 5.5」の「Opus」が抜けていました。2種類の文字起こしで同じ結果になり、「クロード」の終わりから「5.5」までは0.12秒しかありません。

製品名の読みも揺れました。文字起こしでは、Gemini がジェミニ・ジェミニー・ジェミナイの3通りに、Opus がオプスとオーパスに分かれています。すべてを耳で聞き直したわけではないので、ここは文字起こしで確かめた範囲の話です。文字起こしで当たりを付け、社外に出す動画なら耳でも聞き直す、という順が現実的です。

画面にも人の手が要りました。6枚目のスライドは「／声」が行の頭に来てしまい、書き直した1回目は今度は「5.5」が折り返しています。直るまでに2回かかりました。

Opus 5.5 の費用は、定額プランの中で動かしたため、この1本の分を切り出していません。声の費用だけなら、Flash で約2セント、Flash-Lite で約1.3セントでした。

海外の評価は、日本語で上位。ただし抑揚が大げさという声も

利用者が聞き比べて投票する Artificial Analysis の評価では、Gemini 3.8 Flash TTS は全体の2位でした。1位との差は9点です。日本語だけの聞き比べでは Flash-Lite が1位、Flash が2位で、発音の正確さを測る評価では Flash が1位（89.5%）です（米国時間9月23日の投稿）。

Google 自身は、Hume AI の評価で1位だったとしています。ただ、評価元と Google の発表者のつながりを海外の解説記事が指摘しているため、i-Style は Artificial Analysis の聞き比べのほうを判断の材料にしました。

一方、海外の技術者の掲示板 Hacker News で330点を集めたスレッドには、抑揚を大げさにしすぎて AI っぽさが残る、という書き込みが複数ありました。声優の仕事はまだ安泰だ、という声もあります。

日本語で試した開発者の @tegnike さんも、ナレーションっぽさはまだ残るが、声の種類によってはかなり使いやすそうだと X に書いています（9月24日）。聞き比べの順位と、実際に聞いた人の感想は、分けて受け取るのがよさそうです。聞こえ方の良し悪しとは別に、台本の渡し方でも結果が変わります。

本文に書いた演出の指示は、そのまま読み上げられる

新しい版は、渡した文章を一字一句そのまま読みます。前の版では「明るく読んで：」のような指示を本文に書く使い方がありましたが、公式の移行ガイドは、その指示も声に出る場合があるとしています。

手元で試すと、本文に「明るい声で読んでください：こんにちは、i-Style です。」と書いた音声は、指示の部分から読み上げていました。同じ指示を演出の欄（speech_metadata の style）に入れると、読んだのは「こんにちは、i-Style です。」だけです。

息や間は、本文の中に山かっこのタグで入れます。「えっ、<short pause>もう公開されたんですか？」と書いた音声では、タグの文字は読み上げられませんでした。ただ、台本の中で山かっこを別の意味に使っていると、タグとして扱われるおそれがあります。先の NewsVideo も、この点を残りの課題に挙げています。

声のぶれを防ぐには、演出の指示を短くします。公式の手引きは、長い指示を毎回付けることが声のぶれのいちばんの原因だとし、声は最初に作って固定するよう勧めています。

中小企業が使うなら、台本が先にある社内の説明動画から

向いているのは、社内の手順の説明、新人向けの研修、ブログ記事の音声版のように、台本が先にある動画です。映像はスライドや画面の録画で足ります。

人の手が残るのは3つです。台本を決めること、製品名と数字を耳で確かめること、画面の崩れを見ることです。i-Style では、今回の1本でも、語の抜けと文字の折り返しは人が確かめて初めて分かりました。

社員の声を再現するなら、本人の同意の録音が要ります。退職したあとも使い続けるのかは、録る前に決めておくほうが揉めません。透かしは入っていても見る人には分からないので、動画の中に「音声は AI で生成」と書いておきます。

まとめ：声は1文ずつ作り、製品名と数字だけは耳で確かめる

Opus 5.5 がコードで画面を組み、Gemini 3.8 Flash TTS が声を読む。この分担で、1分の説明動画は手元で作れました。声の費用は1本2セント前後です。

i-Style では、台本を1文ずつ渡して読ませ、スライドと合わせる形を基本にしています。まとめて読ませると速いものの、語が抜けても気づきにくいからです。見積もりは、料金表の換算ではなく応答のトークン数で立てます。

自社サイズの最初の一歩は、Google AI Studio で、いつも口で説明している手順を1本読ませてみることです。料金表の価格は年内が半分なので、試すなら今のうちです。

確かめた資料は Google と Anthropic の公式文書、海外の反応、手元の記録

原典は Google の公式ブログ Gemini 3.8 Flash TTS and Gemini 3.8 Flash-Lite TTS（2026年9月23日）です。仕様と料金は モデルの説明、音声生成の手引き、声の再現、料金表 で確かめました（2026年9月27日）。Opus 5.5 は Anthropic の発表（9月22日）によります。

海外の反応は、X の @EricBuess・@ajith_io・@ArtificialAnlys・@tegnike の投稿、Hacker News のスレッド、OrcaRouter の解説記事（Hume AI の創業者が Google の発表の連名者に入っているという指摘）、NewsVideo の変更の記録 を、それぞれ原文で読みました。本文の日本語は要約で、逐語訳ではありません。

手元の数字は、2026年9月27日19時8分〜19時17分（日本時間）に作った19本の音声と1本の動画の記録です。料金と提供範囲は発表直後で変わることがあります。使う前に、そのときの公式ページを見てください。

相談するほどではない段階なら、右下のチャット窓口で「うちの動画にAIの声を付けられるか」を聞くところからでも十分です。

何から始めるか聞く 決めておくことを聞く 問い合わせ後の流れを聞く

関連記事

Claude Opus 5.5に乗り換えるべき？｜料金4割減の条件と、同じ依頼で試して落ちたもの

Opus 5.5 の料金表の全体と、同じ依頼を Opus 5 と比べた結果です。

音声入力はここまで自然になる？｜Gemini 3.5 Transcribeの日本対応・端末対応・仕事での使いどころ

同じ Gemini の音声の系列で、こちらは声を文字にするほうです。

動画生成AIは何から試す？｜Gemini Omniの特徴・使い方・使える場所を初心者向けに整理

映像そのものを AI に作らせる場合の選び方です。