Google
稼働中· 数分ごとに確認

Gemini 3.1 Flash TTS API

Gemini 3.1 Flash TTS API：Googleの表現豊かな音声を30種類の声と70+言語で生成。音声タグで調整でき、Googleの定価より40%安く利用できます。

テキスト・音声の1Mトークンあたりの料金40%割引
テキスト入力
$0.60$1.00
音声出力
$12.00$20.00
APIキーを取得Playgroundで試す
モデルIDgemini-3.1-flash-tts更新
speak.py
from openai import OpenAI
client = OpenAI(
    base_url="https://api.zurelay.com/v1",
    api_key="YOUR_ZURELAY_KEY",
)
speech = client.audio.speech.create(
    model="gemini-3.1-flash-tts",
    voice="Kore",
    input="Welcome to Zurelay. Your video is ready.",
    instructions="Say it warmly",
)
speech.write_to_file("welcome.mp3")

ベースURL https://api.zurelay.com/v1. どのOpenAI SDKにも対応しています。 音声APIドキュメント

声の種類
30種類、OpenAIの音声名にも対応
形式
MP3 · WAV · PCM
リクエストあたりのテキスト
最大5,000文字
1分の音声
$0.023について
リリース日
2026年4月15日
ステータス
稼働中

料金

Gemini 3.1 Flash TTSのAPI料金。 定価より大幅にお得です。

プリペイド残高からの従量課金で、サブスクリプションは不要です。$10からチャージできます。失敗したリクエストには課金されません。

料金ZurelayGoogleの定価
テキスト入力
1M トークンあたり
$0.60$1.00
音声出力
1M トークンあたり
$12.00$20.00

送信したテキストと生成された音声に課金されます。音声は1分あたり1,920トークンで、料金は1分あたり約$0.023です。失敗したリクエストには課金されません。

Text-to-speechのすべてのモデルと料金
節約額の計算

スライダーで月間使用量を設定してください。

月間入力トークン数50M
月間出力トークン数10M
Zurelay
$150.00
Googleの定価
$250.00
毎月の節約額$100.00

年間$1,200

料金

Gemini 3.1 Flash TTS の API コスト、計算しました。

代表的なワークロードでの Zurelay の実際の価格を、定価と並べて比較できます。

  • ボイスメッセージ

    約1分の音声。

    $0.023$0.038（定価）

  • ポッドキャスト1エピソード

    約30分の音声。

    $0.69$1.14（定価）

  • オーディオブック

    約10時間の音声。

    $13.80$22.80（定価）

概要

Gemini 3.1 Flash TTSとは？

Gemini 3.1 Flash TTSは、Googleが2026年4月15日にプレビュー公開した、表現豊かで話し方を指定できるテキスト読み上げモデルです。30種類の声と70以上の言語に対応し、テキストに書き込んだ音声タグで文の途中でも話し方を変えられます。Zurelay Gemini 3.1 Flash TTS APIでは、OpenAI互換の音声エンドポイントから、Googleの定価より40%安く利用できます。音声1分あたり約$0.023です。

Googleは2026年4月15日、コスト効率が高く、表現豊かで話し方を指定できる音声モデルとしてGemini 3.1 Flash TTSをプレビュー公開しました。公開時、Googleは同社史上最も自然で表現豊かなモデルと紹介しています。数千件の人間によるブラインド評価に基づくArtificial Analysis TTSリーダーボードでは、Elo 1,211を記録しました。ZurelayでのモデルIDはgemini-3.1-flash-ttsです。google/gemini-3.1-flash-ttsと、GoogleのIDであるgemini-3.1-flash-tts-previewも使用できます。

最大の特長は音声タグです。[whispers]、[laughs]、[excitement]、[slow]、[short pause]など200種類以上あり、テキスト内に角括弧で記述します。話し方を変えたい位置にタグを置けば、文の途中で落ち着いた声から興奮した声に切り替えられます。2つのタグの間にはテキストか句読点を入れてください。タグは常に英語で記述しますが、Googleによると、ほかの言語のテキストと組み合わせられます。Zurelayはタグを含む入力を、そのままモデルに送信します。

ZurelayではOpenAI互換のエンドポイントPOST https://api.zurelay.com/v1/audio/speechから利用できます。入力は最大5,000文字で、Geminiの30種類の声から1つを選べます。デフォルトはKoreで、alloyやnovaなどOpenAIの声の名前も使えます。「Say cheerfully」や「Read slowly, like a bedtime story」のように、話し方を普通の言葉で指定するinstructionsも追加できます。レスポンスは音声ファイルそのものです。デフォルトはMP3で、WAVまたは生のPCMも選べます。生成には通常、1文で数秒、1段落で約15秒かかります。1リクエストで使える声は1つです。Google独自のAPIでは、1リクエストで複数話者の対話を生成したり、生成中の音声をストリーミングしたりできますが、Zurelayではどちらも利用できません。

音声の料金はGoogleのAPIと同じくトークン単位です。送信するテキスト（instructionsを含む）は1Mトークンあたり$0.60、生成される音声は1Mトークンあたり$12.00です。Gemini 3.1 Flash TTSでは音声1秒を32音声トークン、1分を1,920トークンとして計算するため、1分あたりの料金は約$0.023とテキスト分です。各レスポンスのx-zurelay-input-tokensとx-zurelay-output-tokensヘッダーで課金対象のトークン数を確認できます。すべてのリクエストはリクエストログに記録され、失敗したリクエストには料金がかかりません。

強み

Gemini 3.1 Flash TTSが得意なこと。 チームでの活用例も紹介します。

01

文の途中で使える音声タグ

話し方を変えたい位置に[whispers]、[laughs]、[short pause]などのタグを置きます。Googleは感情、話す速さ、効果音などを指定する200種類以上のタグを公開しています。

02

自然で表現豊かな音声

公開時、Googleは同社史上最も自然で表現豊かなモデルと紹介しています。Artificial Analysis TTSリーダーボードではElo 1,211を記録しました。

03

70以上の言語

言語はテキストから自動で判別されるため、設定は不要です。タグは英語で記述し、ほかの言語のテキストと組み合わせられます。

04

普通の言葉で話し方を指定

声優に指示するように、雰囲気、話す速さ、アクセントをinstructionsで伝えられます。指示は読み方に反映され、音声として読み上げられることはありません。

ユースケース

  • アクセシビリティに配慮したアプリとゲーム

    ゲームメニューの読み上げや、スクリーンリーダーを使う人に向けた聞き取りやすい音声など、Googleが挙げる用途に活用できます。

  • 音声解説

    映画、テレビ、動画の画面上で起きていることを、場面に合った声で説明できます。緊迫した場面には[whispers]などのタグを使えます。

  • オーディオブックと物語

    話す速さと感情のタグを組み合わせて、緊張感を演出できます。長文の場合は、同じZurelayのキーでGemini 3.1 Flash-Liteを使い、先にタグを追加する方法をGoogleは提案しています。

  • 顧客向け通知

    不正利用の警告や旅行情報の案内で、深刻な口調から安心感のある口調へ切り替えられます。[slow]を使えば、カード番号や便名をゆっくり読み上げられます。

始める

3ステップでGemini 3.1 Flash TTSを呼び出せます。

ウェイトリストも新しいSDKも不要です。OpenAIに対応したコードなら、そのままZurelayでも使えます。

  1. 1

    キーを作成

    Sign up, add creditとcreate an API key. Set a monthly budget or a rate limit per key if you like.

    APIキーを取得
  2. 2

    ZurelayでPoint your SDK

    Change the base URL. Everything else in your code stays the same.

    https://api.zurelay.com/v1
  3. 3

    gemini-3.1-flash-tts を使う

    POST your textとa voice to /v1/audio/speech and get the audio back as MP3, WAV or PCM.

    gemini-3.1-flash-tts

普段使っているツールに対応

比較

類似モデル。 すべて同じキーで使えます。

40%割引

Gemini 3.8 Flash TTS

1Mトークンあたり入力$0.30 / 出力$5.40

instructionsが不要で、より多くの言語と低い1分あたりの料金を重視するなら、130以上の言語に対応するGoogleの最新音声モデルGemini 3.8 Flash TTSを選びます。

Gemini 3.8 Flash TTS API
40%割引

Gemini 2.5 Pro TTS

1Mトークンあたり入力$0.60 / 出力$12.00

速度より声の明瞭さが重要な長文のナレーションには、品質を重視したGoogleの音声モデルGemini 2.5 Pro TTSを選びます。

Gemini 2.5 Pro TTS API
40%割引

Gemini 2.5 Flash TTS

1Mトークンあたり入力$0.30 / 出力$6.00

24言語で足りるなら、短いテキストへの応答が速く、1分あたりの料金も低いGemini 2.5 Flash TTSを選びます。

Gemini 2.5 Flash TTS API

よくある質問

Gemini 3.1 Flash TTS APIについてよくある質問。

ほかにご質問はありますか？ チームに問い合わせると、メールでお答えします。

Gemini 3.1 Flash TTS APIの料金はいくらですか？

Zurelayの料金は、入力テキストが1Mトークンあたり$0.60、出力音声が1Mトークンあたり$12.00です。Googleの定価はそれぞれ$1.00と$20.00なので、40%節約できます。Gemini 3.1 Flash TTSでは音声1秒を32音声トークン、1分を1,920トークンとして計算するため、1分あたり約$0.023に送信テキスト分を加えた料金になります。失敗したリクエストには料金がかかりません。

OpenAI SDKでGemini 3.1 Flash TTSを呼び出すには？

Zurelay の API キーを作成し、SDK のベース URL を https://api.zurelay.com/v1 に設定して、client.audio.speech.create を呼び出します。model に gemini-3.1-flash-tts、voice、input にテキストを指定し、必要に応じて instructions も指定してください。レスポンスは音声ファイルそのものです。Python では write_to_file で保存し、Node ではバイト列をファイルに書き込みます。先に音声やスタイルを試したい場合は、https://zurelay.com/app/playground の Playground にある Speech モードをご利用ください。

Gemini 3.1 Flash TTSではどの声を使えますか？

Geminiのプリセット音声30種類すべてに対応しています。Kore、Puck、Charon、Leda、Aoede、Sulafatなどがあり、デフォルトはKoreです。OpenAIの音声名も使え、似た特徴のGemini音声に対応付けられます。alloyはKore、novaはLeda、onyxはOrus、shimmerはCallirrhoeになります。https://zurelay.com/docs/speech の音声ドキュメントには、Googleによる各音声の特徴とともに全種類を掲載しています。

Gemini 3.1 Flash TTSの口調、話す速さ、アクセントはどう指定しますか？

声優に演技を伝えるように、instructionsに「明るく話す」「ささやく」「寝かしつけの読み聞かせのようにゆっくり読む」など、自然な言葉で指定します。instructionsは最大2,000文字で、音声として読み上げられません。Googleは、言語の指定に頼るより、この方法でアクセントを指定することを推奨しています。speedには1しか指定できないため、話す速さもinstructionsで伝えてください。

ZurelayでGemini 3.1 Flash TTSの音声タグを使えますか？

はい。変化を付けたい位置のinput内に、角括弧で記述してください。たとえば、秘密を話す前に[whispers]、種明かしの前に[short pause]を入れます。Zurelayはタグを含むテキストをそのままモデルに送ります。Googleは[excitement]、[curiosity]、[slow]、[fast]、[laughs]など、200種類以上のタグを公開しています。タグは英語で記述し、Googleは2つのタグの間にテキストか句読点を入れるよう求めています。長文には、Gemini 3.1 Flash-Liteにタグを付けてもらう方法をGoogleが提案しています。

Gemini 3.1 Flash TTSはどの言語を話せますか？

Googleによると、70以上の言語に対応しています。言語設定はなく、テキストから言語を判別するため、スペイン語の文はスペイン語で読み上げます。音声タグは英語のまま記述し、ほかの言語のテキストと組み合わせて使えます。

Gemini 3.1 Flash TTSの音声形式とテキストの上限は？

1回のリクエストで指定できるのは、inputが最大5,000文字、instructionsが最大2,000文字です。長いテキストは複数のリクエストに分けてください。音声はデフォルトでMP3として返されます。response_formatにwavを指定するとWAV、pcmを指定すると24 kHz・16-bitモノラルの生データになります。Googleが公表するモデルの入力上限は8,192トークンです。Zurelayは音声を保存しないため、返されたファイルを保存してください。

Gemini 3.1 Flash TTSで2人の会話を音声化できますか？

Zurelayでは、1回のリクエストではできません。Google独自のAPIなら1回の呼び出しで複数話者の会話を音声化できますが、Zurelayでは1回のリクエストにつき1種類の音声で読み上げます。会話を作るには、セリフごとに音声を指定して生成し、順番に結合してください。結合には生のPCMが最も簡単です。

ZurelayでのGemini 3.1 Flash TTSの処理時間は？

通常、1文なら数秒、1段落なら約15秒です。音声ファイル全体が1回のレスポンスで返されます。Google独自のAPIは生成中の3.1 Flash TTS音声をストリーミングできますが、Zurelayではストリーミングに対応していません。音声アシスタントでは、1文ずつ送ると再生を早く始められます。

Gemini 3.1 Flash TTSはまだプレビュー版ですか？

はい。Googleは2026年4月15日にプレビュー版を公開し、終了日は発表していません。Zurelayでは、GoogleのIDであるgemini-3.1-flash-tts-previewも、gemini-3.1-flash-ttsと同様に使えます。

これはGoogleのGemini 3.1 Flash TTSですか？

はい。リクエストはGoogleのGemini 3.1 Flash TTSで処理され、Zurelayが別のモデルや小規模なモデルに置き換えることはありません。音声は呼び出しごとに新しく生成されるため、同じテキストと音声でも読み方は毎回少し異なります。Googleは、このモデルが生成するすべての音声に、AI生成であることを示す知覚できない透かしSynthIDを埋め込んでいます。Zurelayは独立したサービスであり、Googleとは提携していません。

Zurelayのその他のモデル

すべてのモデル

定価で払うのはもう終わり。
今日から節約を始めましょう。

数秒でキーを作成し、お使いのSDKをZurelayに接続するだけ。最初のトークンから、すべてのリクエストが最大90%安くなります。

APIキーを取得エンジニアに相談