Google が新しい音声合成モデルを出した。声を一覧から選ぶだけでなく言葉で注文して作れるようになり、その分なりすまし対策も同梱された。
何が起きたか
Google が音声合成モデル「Gemini 3.8 Flash TTS」と、安価な「Flash-Lite TTS」を公開した。Flash TTS では、どんな声が欲しいかを文章で指示して声を一から設計できる。30 秒の録音からある人の声を再現することもできるが、それには本人の同意録音による確認が要る。100 を超える言語に対応し、台詞ごとに演技や話す速さも指定できる。開発者向けの Gemini API と Google AI Studio で使え、Google Vids などにも載る。
なぜ重要か
これまでの読み上げは、用意された声から選ぶのが基本だった。声を文章で注文して作れるなら、ナレーションや吹き替えを用意する手間は下がりうる。一方で、短い録音から声を写せる機能は、なりすまし詐欺にも使えてしまう。そこで Google は同意確認に加え、生成した音声すべてに SynthID という聞こえない透かしを入れた。便利さと悪用対策を、同じ製品に最初から組み込んだ形だ。
次に何を見るか
同意確認が抜け道なく働くかどうか。そして、透かしを他社のサービスや SNS が実際に読み取り、利用者に示すようになるか。透かしは検出する側がそろって初めて効く。