gemini-tts

Gemini Text-to-Speech

複数の音声と複数話者の会話に対応した実行可能なスクリプトを使って、Gemini の TTS モデルから自然な音声を生成します。

このスキルを使う場面

次のような場合にこのスキルを使います。

• テキストを自然な音声に変換する
• ポッドキャスト、オーディオブック、動画向けの音声を作成する
• 複数話者の会話を生成する
• 長いコンテンツの音声をストリーミングする
• 複数の音声から選択する
• アクセシビリティに配慮した音声コンテンツを作成する
• プレゼンテーション用のナレーションを生成する
• テキストを音声ファイルに一括変換する

利用可能なスクリプト

scripts/tts.js

目的：Gemini TTS モデルを使ってテキストを音声に変換します。

使用する場面：

• あらゆるテキスト音声変換
• 複数話者の会話の生成
• 長文の音声ストリーミング
• コンテンツ作成用のナレーション
• アクセシビリティに配慮した音声の生成

主なパラメーター：

パラメーター	説明	例
text	変換するテキスト（必須）	"Hello, world!"
--voice, -v	音声名	Kore
--output, -o	出力ファイルのベース名	welcome
--output-dir	音声の出力ディレクトリ	audio/
--no-timestamp	自動タイムスタンプを無効化	フラグ
--model, -m	TTS モデル	gemini-2.5-flash-preview-tts
--stream, -s	ストリーミングを有効化	フラグ
--speakers	複数話者の割り当て	"Joe:Kore,Jane:Puck"

出力：WAV 音声ファイルのパス

ワークフロー

ワークフロー 1：基本的なテキスト音声変換

node scripts/tts.js "Hello, world! Have a wonderful day."

• 最適な用途：手早い音声生成、簡単なメッセージ
• 音声：Kore（デフォルト、明瞭でプロフェッショナル）
• 出力：audio/tts_output_YYYYMMDD_HHMMSS.wav（タイムスタンプを自動付与）

ワークフロー 2：別の音声を選択

node scripts/tts.js "Welcome to our podcast about technology trends" --voice Puck --output welcome

• 最適な用途：親しみやすく、会話調のコンテンツ
• 音声の選択肢：Kore、Puck、Charon、Fenrir、Aoede、Zephyr、Sulafat
• 出力：audio/welcome_YYYYMMDD_HHMMSS.wav

ワークフロー 3：複数話者の会話

node scripts/tts.js "TTS the following conversation:
Joe: How's it going today?
Jane: Not too bad, how about you?
Joe: I'm working on a new project.
Jane: Sounds exciting, tell me more!" --speakers "Joe:Kore,Jane:Puck" --output conversation

• 最適な用途：対話、インタビュー、ロールプレイ形式のコンテンツ
• 形式：話者名を付けた会話
• スクリプトがテキストを適切な音声に自動的に振り分けます
• 出力：audio/conversation_YYYYMMDD_HHMMSS.wav

ワークフロー 4：ストリーミングで長文コンテンツを処理

node scripts/tts.js "This is a very long text that would benefit from streaming..." --stream --output long-form

• 最適な用途：ポッドキャスト、オーディオブック、長い記事
• ストリーミング：長文の音声をチャンク単位で処理します
• 出力：audio/long-form_YYYYMMDD_HHMMSS.wav

ワークフロー 5：プロフェッショナルなナレーション

node scripts/tts.js "Welcome to our quarterly earnings presentation. Today we'll discuss our growth metrics and future plans." --voice Charon --output voiceover

• 最適な用途：企業向けコンテンツ、プレゼンテーション、正式なお知らせ
• 音声：Charon（低く、威厳のある声）
• 使用する場面：プロフェッショナルで落ち着いたトーンが必要な場合

ワークフロー 6：カスタム出力ディレクトリ

node scripts/tts.js "Save to specific folder." --output-dir ./my-projects/podcasts/ --output episode1

• 最適な用途：整理されたプロジェクト構成
• ディレクトリが存在しない場合は自動的に作成されます
• 出力：./my-projects/podcasts/episode1_YYYYMMDD_HHMMSS.wav

ワークフロー 7：コンテンツ作成パイプライン（テキスト → 音声）

# 1. Generate script (gemini-text skill)
node skills/gemini-text/scripts/generate.js "Write a 2-minute podcast intro about sustainable energy"

# 2. Generate audio (this skill)
node scripts/tts.js "[Paste generated script]" --voice Fenrir --output podcast-intro

# 3. Use in video or podcast

• 最適な用途：ポッドキャスト、オーディオブック、動画のナレーション
• 組み合わせるツール：スクリプト生成用の gemini-text

ワークフロー 8：アクセシビリティに配慮したコンテンツ

node scripts/tts.js "Welcome to our accessible website. This audio describes our main navigation options." --voice Aoede --output accessibility

• 最適な用途：ウェブアクセシビリティ、スクリーンリーダーの代替
• 音声：Aoede（旋律的で心地よい）
• 使用する場面：視覚障害のあるユーザーがコンテンツを利用できるようにする場合

ワークフロー 9：教育コンテンツ

node scripts/tts.js "Chapter 1: Introduction to Quantum Computing. Let's explore the fundamental principles..." --voice Zephyr --output chapter1

• 最適な用途：教材、チュートリアル、eラーニング
• 音声：Zephyr（軽やかで柔らかな声）
• 相性のよい組み合わせ：コンテンツ生成用の gemini-text

ワークフロー 10：タイムスタンプを無効化

node scripts/tts.js "Fixed filename." --output my-audio --no-timestamp

• 最適な用途：ファイル名を完全に自分で管理したい場合
• 出力：audio/my-audio.wav（タイムスタンプなし）
• 使用する場面：特定の命名規則でファイルを生成する場合

パラメーターのリファレンス

モデルの選択

モデル	品質	速度	最適な用途
gemini-2.5-flash-preview-tts	良好	高速	一般用途、大量の音声生成
gemini-2.5-pro-preview-tts	より高品質	低速	プレミアムコンテンツ、ナレーション

音声の選択

音声	特徴	最適な用途
Kore	明瞭でプロフェッショナル	アナウンス、汎用（デフォルト）
Puck	親しみやすく会話的	カジュアルなコンテンツ、インタビュー
Charon	低く、威厳がある	企業向け、真面目なコンテンツ
Fenrir	温かみがあり、表現豊か	ストーリーテリング、物語
Aoede	旋律的で心地よい	教育、アクセシビリティ
Zephyr	軽やかで柔らかい	穏やかなコンテンツ、チュートリアル
Sulafat	中立的でバランスが取れている	ドキュメンタリー、事実に基づくコンテンツ

音声フォーマット

仕様	値
フォーマット	WAV（PCM）
サンプルレート	24000 Hz
チャンネル	1（モノラル）
ビット深度	16-bit

トークン制限

制限	種類	説明
8,192	入力	入力テキストの最大トークン数
16,384	出力	出力音声の最大トークン数

出力の解釈

音声ファイル

• フォーマット：WAV（ほとんどのプレーヤーと互換性があります）
• モノラルチャンネル（単一の音声トラック）
• サンプルレート：24000 Hz（放送品質）
• 必要に応じてMP3/AACに変換できます

複数話者のファイル

• 複数の音声を含む単一のWAVファイル
• ファイル内でタイミングによって音声が分離されています
• --speakers パラメーターを使用して、話者を音声に割り当てます

ストリーミング出力

• 生成中に音声をチャンク単位で処理します
• スクリプトに「音声をストリーミングしています...」というメッセージが表示されます
• 非常に長いテキストやリアルタイムアプリケーションに便利です

よくある問題

「google-genai がインストールされていません」

npm install @google/genai@latest dotenv@latest

「音声名が見つかりません」

• 音声名のスペルを確認してください
• 利用可能な音声を使用してください：Kore、Puck、Charon、Fenrir、Aoede、Zephyr、Sulafat
• 音声名では大文字と小文字が区別されます

「音声が生成されませんでした」

• テキストが空でないことを確認してください
• テキストがトークン制限（8,192）を超えていないことを確認してください
• テキストを短いセグメントに分けて試してください
• APIのクォータ制限を確認してください

「複数話者のフォーマットエラー」

• フォーマット：SpeakerName:VoiceName,Speaker2:Voice2
• 話者はカンマで区切ります
• 話者と音声の間にはコロンを使用します
• 例："Joe:Kore,Jane:Puck,Host:Charon"

「出力ファイルがすでに存在します」

• スクリプトは既存のファイルを上書きします
• 競合を避けるには、--output のファイル名を変更してください
• バッチ生成には一意の名前を使用してください

音声品質の問題

• 入力テキストに特殊な文字が含まれていないか確認してください
• より適切な発音にするため、別の音声を試してください
• 長いテキストは小さなセグメントに分割することを検討してください
• 音声再生ソフトウェアとの互換性を確認してください

ベストプラクティス

音声の選択

• Kore：汎用、明瞭な発音
• Puck：会話的で、親しみやすいトーン
• Charon：プロフェッショナルで、威厳のある声
• Fenrir：感情豊かで、ストーリーテリング向け
• Aoede：柔らかく穏やかで、アクセシビリティ向け
• Zephyr：教育向け、明瞭な説明

テキストの準備

• 自然な言葉遣いと句読点を使用してください
• コンマやピリオドを使って間を入れてください
• 必要に応じて、発音が難しい単語は綴りを展開してください
• 非常に長いテキストは論理的なセグメントに分割してください
• 複数話者のコンテンツには話者ラベルを追加してください

パフォーマンスの最適化

• 非常に長いテキストにはストリーミングを使用してください
• より細かく制御するには、短いセグメントを生成してください
• 生成を高速化するには、flashモデルを使用してください
• 効率化のため、複数のファイルをまとめて処理してください

品質に関するヒント

• コンテンツの種類に合わせて、さまざまな音声を試してください
• 句読点を使って適切なペースにしてください
• 音声を選ぶ際は、文脈を考慮してください
• 最終的に使用する前に、出力を聞いてください
• 複数話者の場合は、話者を明確にラベル付けする必要があります

音声別のユースケース

音声	最適なユースケース
Kore	アナウンス、ナビゲーション、一般情報
Puck	ポッドキャスト、インタビュー、カジュアルなコンテンツ
Charon	企業向け、ニュース、正式なプレゼンテーション
Fenrir	オーディオブック、物語、感情を伝えるコンテンツ
Aoede	アクセシビリティ、教育、穏やかなコンテンツ
Zephyr	チュートリアル、説明、ガイド
Sulafat	ドキュメンタリー、事実に基づくプレゼンテーション

関連スキル

• gemini-text: TTS 用のスクリプトとテキストを生成します
• gemini-image: 音声に添えるビジュアルを作成します
• gemini-batch: 複数の TTS リクエストを効率的に処理します
• gemini-files: 音声ファイルをアップロードして処理します

クイックリファレンス

# Basic
node scripts/tts.js "Your text here"

# Custom voice
node scripts/tts.js "Your text" --voice Puck --output audio.wav

# Multi-speaker
node scripts/tts.js "Joe: Hi. Jane: Hello!" --speakers "Joe:Kore,Jane:Puck"

# Streaming
node scripts/tts.js "Long text..." --stream --output long.wav

# Professional
node scripts/tts.js "Corporate announcement" --voice Charon

リファレンス

• 音声に関する詳細は references/voices.md を参照してください
• API キーの取得先：https://aistudio.google.com/apikey
• ドキュメント：https://ai.google.dev/gemini-api/docs/text-to-speech
• サンプルレート：多くのアプリケーションで標準の 24000 Hz