Gemini Audio Tts

Gemini Audio & TTS

Gemini の音声モデル、TTS、Live API の構成と使用法。

モデル選択ガイド

コスト優先

パフォーマンス優先

TTS（Text-to-Speech）

基本使用法

from google import genai
from google.genai import types
import base64

client = genai.Client(api_key="YOUR_API_KEY")

response = client.models.generate_content(
    model="gemini-3.1-flash-preview",
    contents="こんにちは、今日はいい天気ですね。",
    config=types.GenerateContentConfig(
        response_modalities=["AUDIO"],
        speech_config=types.SpeechConfig(
            voice_config=types.VoiceConfig(
                prebuilt_voice_config=types.PrebuiltVoiceConfig(
                    voice_name="Kore"  # 音声プロファイル
                )
            )
        )
    )
)

# 音声データの保存
for part in response.candidates[0].content.parts:
    if part.inline_data:
        audio_data = base64.b64decode(part.inline_data.data)
        with open("output.wav", "wb") as f:
            f.write(audio_data)

音声プロファイル一覧

Live API（リアルタイム音声対話）

概要

Live API は WebSocket ベースのリアルタイム双方向音声通信を提供。

基本構成

import asyncio
from google import genai
from google.genai import types

client = genai.Client(api_key="YOUR_API_KEY")

async def main():
    config = types.LiveConnectConfig(
        response_modalities=["AUDIO"],
        speech_config=types.SpeechConfig(
            voice_config=types.VoiceConfig(
                prebuilt_voice_config=types.PrebuiltVoiceConfig(
                    voice_name="Kore"
                )
            )
        )
    )

    async with client.aio.live.connect(
        model="gemini-3.1-flash-preview",
        config=config
    ) as session:
        # テキスト入力 → 音声出力
        await session.send_client_content(
            turns=types.Content(
                role="user",
                parts=[types.Part(text="こんにちは")]
            )
        )

        async for response in session.receive():
            if response.data:
                # 音声データを処理
                pass

asyncio.run(main())

Live API の機能

Live API の制限

音声認識（Speech-to-Text）

Gemini モデルでの音声認識

response = client.models.generate_content(
    model="gemini-3.1-flash-preview",
    contents=[
        types.Part.from_text("この音声を文字起こしして"),
        types.Part.from_uri(
            file_uri="gs://bucket/recording.mp3",
            mime_type="audio/mp3"
        ),
    ]
)
print(response.text)

対応音声フォーマット

Chirp 3（ASR/TTS 専用）

注意: Chirp 3 は Gemini のマルチモーダル機能とは別の専用モデル。対話的な用途には Live API を推奨。

用途別推奨