Gemini 3.8 Flash TTSとFish Audio Drama 3話者メタデータと台詞内指示を分ける
Geminiはspeaker/styleをメタデータへ、Drama 3は指示をtext内へ置く。多話者台本では保存する単位が違います。
GoogleとFish Audioの公式資料を2026年10月19日に確認しました。山括弧イベント、style、Fishの角括弧/paired tagsを分けます。
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
多話者のデータ構造を先に選ぶ
Geminiは各turnにspeech_metadata.speaker、持続演技にstyle、瞬間イベントに山括弧を置きます。Drama 3は角括弧の方向、paired tag、reference_idをtext/APIへ置きます。
話者・演技・本文を別フィールドで再利用するならGemini。台詞内の方向を編集者が書き、Fishの経路を使うならDrama 3。声の自然さは未測定です。
正式ID・入力・配信・料金を比べる
| 比較軸 | 左側モデル | 右側モデル | 制作で決めること |
|---|---|---|---|
| 話者入力 | turnごとにspeaker、multiSpeakerVoiceConfig。 | text内台詞、reference_id。 | 話者ラベルの保存場所を決める。 |
| 演技範囲 | 持続style、瞬間の山括弧。 | 行/途中角括弧、paired tag。 | whisperingをイベントへ一般化しない。 |
| 入力/出力 | 8,192/16,384 tokens、WAV。 | 83言語、MP3等、REST/WebSocket。 | 形式・字幕・長さを別管理。 |
| 声/編集 | Voice design/replication。 | reference_id、編集APIは招待制。 | 同意と再生成履歴を残す。 |
| 価格 | $0.50 text/$9 audio tokens（2026年末まで）。 | $50/1M、$10は11月12日まで。 | 単位を換算しない。 |
中間表現から各APIへ出し分ける
編集データはspeaker、voice、style、point-event、本文、参照音声を分けます。Geminiではmetadataへ、Drama 3では角括弧/paired tagへ変換します。
GeminiのWAV返却とFishのMP3/streamを別成果物にし、Drama 3の編集APIが一般公開されたと仮定しません。
二人の案内役の台本
仮の条件（実際の生成結果ではない）
Aが一文全体を小声、Bが一語だけ強調し、一度だけ笑う。
- GeminiはAのstyle、Bの
<laugh>、話者turnを分ける。 - Drama 3は行頭/途中方向とpaired tag、reference_idへ写す。
- WAVとFishの返却音を同じ履歴へ上書きしない。
- 笑い位置・字幕・同意を人手確認する。
API階層と単位を分ける
Geminiは2026年末まで$0.50/1M text tokens・$9/1M audio tokens、Drama 3は通常$50/1M characters、11月12日まで$10/1Mです。S2.1 Proのbytes単価をDrama 3へ流用しません。
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 Fish Audio Drama 3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。
- Google AI｜Gemini 3.8 Flash TTS —
gemini-3.8-flash-tts、入力8,192/出力16,384トークン、130言語、Batch/Flex/Priority対応。Live API・Search grounding・Thinkingは非対応。 - Google AI｜Speech generation — 逐語本文、
speech_metadata.speaker/style、山括弧の瞬間イベント（<laugh>等）、既定WAV（24kHz mono 16-bit PCM）を分ける。持続whisperingはstyle。 - Google Gemini API｜Pricing — 3.8 Flash TTS Standardは2026年末まで$0.50/1M text tokens・$9/1M audio tokens、Batchは$0.25/$4.50。
- Fish Audio｜Drama 3 —
model: drama-3、83言語、角括弧/paired tags、reference_id。編集APIは招待制。APIは通常$50/1M characters、2026-11-12まで$10/1M。 - Fish Audio｜Developers — REST/WebSocket/SDK、S2.1 Proは$15/1M UTF-8 bytes。Drama 3の文字単価とは別。
- Fish Audio｜Inference — Drama 3のopen weights、自前推論資料、GPU条件を掲載。
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。