AI動画制作一括見積もり.com見積もりを相談する
メニュー

Gemini 3.8 Flash TTSとCosyVoice 2構造化TTSと自社streamingを分ける

Geminiはspeaker/styleを含むHosted TTS、CosyVoice 2は公開weightsと自社streaming。両方の「streaming」を同じAPI機能にしません。

GoogleとFunAudioLLMの公式資料を2026年10月19日に確認しました。GeminiのWAVとCosyVoiceのローカルチャンクを分けます。

執筆・確認：株式会社志庵 編集担当　確認日：

公式仕様の比較。生成結果の実測と、公式に記載された機能は分けて紹介します。根拠・検証範囲を見る

この記事の目次
  1. 01ストリーミングの意味を取り違えない
  2. 02正式ID・入力・配信・料金を比べる
  3. 03WAV返却とローカルチャンクを別工程にする
  4. 04機密台本と公開FAQ
  5. 05API従量とGPU運用を分ける
  6. 06出典と確認範囲
01

ストリーミングの意味を取り違えない

Gemini 3.8は構造化turn、speaker/style、山括弧、unary WAVを提供します。CosyVoice 2は公開weightsを取得し、ローカルstreaming/非streamingを自分で実行します。

判断
クラウドの構造化話者とWAVが必要ならGemini。参照音声と推論環境を自社保持しチャンクを制御するならCosyVoice 2。速度・品質は未測定です。
02

正式ID・入力・配信・料金を比べる

公式一次資料で確認できる比較軸（2026-10-19確認）
比較軸左側モデル右側モデル制作で決めること
経路gemini-3.8-flash-tts Hosted API。CosyVoice2-0.5B weights/ローカルrepo。クラウドか自社推論か。
話者・演技speaker/style metadata、山括弧。参照音声、zero-shot/cross-lingual/instruct。metadataと参照wavを別保存。
出力unary WAV、raw PCM等を明示。local streaming/非streaming、vLLM、FastAPI/gRPC。チャンク結合を実装する。
更新GoogleのAPIバージョンを追う。repo/weights/依存/GPU/commitを固定。再現責任を選ぶ。
価格$0.50 text/$9 audio tokens（2026年末まで）。共通Hosted単価なし。GPU費用を別見積もり。トークンとGPU時間を換算しない。

CosyVoice2-0.5Bの公式モデルカードはApache-2.0を表示しています。利用するリポジトリ・依存ライブラリのライセンスと、参照音声を使用する権利は別に確認します。

03

WAV返却とローカルチャンクを別工程にする

Geminiは本文、speaker、style、event、voiceを保存。CosyVoiceはweights commit、推論クラス、参照音声、mode、stream、チャンクを保存します。

Geminiの<short pause>をCosyVoice本文へ機械コピーせず、音声形式と正規化を別に検証します。

04

機密台本と公開FAQ

仮の条件（実際の生成結果ではない）

公開FAQは毎日更新、機密マニュアルは外部APIへ送らない。

  1. FAQをGeminiでspeaker/style付きWAVへする。
  2. 機密版をCosyVoice2-0.5Bと参照wavでGPU処理する。
  3. 同じ原稿でもtoken/voiceとGPU/依存を分ける。
  4. 発音・話者類似・遅延を実測してから採用する。
05

API従量とGPU運用を分ける

Geminiは2026年末まで$0.50/1M text・$9/1M audio tokens。CosyVoice 2に共通Hosted価格はなく、GPU、保存、監視、更新、再生成を積み上げます。

06

出典と確認範囲

公式資料を2026-10-19に確認しました。Gemini 3.8 Flash TTS vs CosyVoice 2の正式ID、提供経路、入力・演技、参照素材、出力、価格単位を確認しています。音質、発音、感情表現、声の一貫性、遅延、成功率は同条件で測定していません。

この条件で制作を相談する

用途・素材・尺・予算・希望時期が決まっている範囲で、株式会社志庵へ相談できます。掲載会社への一斉送信や契約は行いません。

この条件で制作を相談するモデル比較の一覧へ