Gemini 3.8 Flash TTSとMiniMax Speech 2.8 HD持続する演技とストリーミングを分ける
Geminiは逐語本文・speaker・speech_metadata.style・山括弧イベント、MiniMaxはsound tagsとT2A WebSocket。同じ演技指示でも置き場所が違います。
GoogleとMiniMaxの公式資料を2026年10月19日に確認しました。持続whisperingはGeminiのspeech_metadata.style、瞬間イベントは山括弧タグです。
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
この記事の目次
演技指示の置き場所で選ぶ
Gemini 3.8は本文を逐語的に扱い、speaker/styleをメタデータ、笑い・息・間を山括弧へ分けます。MiniMaxはWebSocketのtaskとvoice/audio設定、sound tagsで音声を返します。
話者・本文・演技を分離するならGemini。チャンク再生とMiniMaxのsound tagsを活かすならMiniMax。音質・遅延は測定していません。
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 |
|---|---|---|---|
| 入力枠 | gemini-3.8-flash-tts。入力8,192/出力16,384 tokens。 | speech-2.8-hd。同期、Async最大1M文字。 | 文字とトークンを別記録。 |
| 持続演技 | speech_metadata.style。本文は逐語。 | sound tags、voice_setting。 | whisperingをstyleへ置く。 |
| 瞬間イベント | <laugh>、<sigh>、<short pause>。 | MiniMax資料のsound tags表記。 | 構文を同じparserで処理しない。 |
| 配信 | WAV既定、Batch/Flex/Priority。 | WebSocket音声チャンク、MP3等。 | 再生か完成ファイルかを決める。 |
| 価格 | $0.50/1M text + $9/1M audio tokens（2026年末まで）。 | $100/1M characters。 | 課金単位を混ぜない。 |
styleとsound tagsを別の変換層にする
Gemini用に本文、speaker、turn-level style、point-eventを別フィールドにします。持続するwhisperingをspeech_metadata.styleに置き、本文へ書いて読ませません。
MiniMax用にはsound tags、speed/vol/pitch、sample_rate/format、taskイベントを保存します。GeminiのWAV既定をMiniMaxへ適用しません。
夜間サポートの一往復
仮の条件（実際の生成結果ではない）
Aが小声で説明し、一度だけ咳、Bが短く返答する。利用者は返答を待たず再生したい。
- GeminiはAのstyleをwhispering、咳を
<cough>、Bにspeakerを付ける。 - MiniMaxはWebSocketを開始しvoice_settingとsound tagを送る。
- WAVとチャンクMP3を同じ納品物としない。
- 話者交替・イベント位置・チャンク欠落を人手確認する。
トークンと文字をまま分ける
Geminiは2026年末までStandard入力$0.50/1M text tokens、出力$9/1M audio tokens。MiniMaxは$100/1M charactersです。原稿文字数をGemini tokenへ換算して優劣を作りません。
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 MiniMax Speech 2.8 HD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。
- MiniMax API｜Model List — Available Modelsに
speech-2.8-hd、Retired Modelsには含まれない。 - MiniMax API｜T2A WebSocket —
wss://api.minimax.io/ws/v1/t2a_v2、voice_setting/audio_setting、task_continueで音声チャンクを返す。 - MiniMax API｜Pricing overview — speech-2.8-hdはT2A Sync/Asyncとも$100/1M characters、Async最大1M文字/request。
- MiniMax｜Speech 2.8 release — native sound tags、10秒サンプルのクローン、日中クロスリンガルを発表。
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。