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Seed Audio 1.0逐語TTSと場面音声の入力を分ける

Geminiは正確な本文、Seedは声・効果音・環境音を場面として指示する。短い台詞を同じTTSとして比べません。

Google、ByteDance Seed、BytePlus、falの公式資料を2026年10月19日に確認しました。

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逐語TTSか場面音声かを分ける
  2. 02正式ID・入力・配信・料金を比べる
  3. 03speaker/styleと場面プロンプトを別管理する
  4. 04店内案内と雨音付き短編
  5. 05トークン課金と地域APIを切り分ける
  6. 06出典と確認範囲
01

逐語TTSか場面音声かを分ける

Geminiは本文を逐語的に扱い、speaker/styleをメタデータ、笑い・間を山括弧へ分けます。Seedは声・効果音・環境音を一つの音場として紹介されています。

判断
字幕と話者トラックを正確に扱うならGemini。環境音込みの場面生成を試すならSeed。場面の完成度は未測定です。
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
目的gemini-3.8-flash-tts。本文から音声。seed-audio-1.0。声・効果音・環境音。字幕トラックか場面マスターか。
入力枠8,192 tokens、speaker/style、inline event。text_prompt 3,000文字、音声3本または画像1枚。文字とトークン、参照数を別計測。
時間・演技turn style、<laugh>等。100ms timing、場面と音レイヤー。持続演技と時間軸を混同しない。
出力unary WAV、必要ならraw PCM等。BytePlus HTTP非ストリーミング、最大120秒。途中再生か後編集かを決める。
価格$0.50 text/$9 audio tokens（2026年末まで）。地域/契約価格を要確認。partner価格を直APIへ流用しない。
03

speaker/styleと場面プロンプトを別管理する

Geminiは本文、speaker、style、event、voice設定を保存し、WAVと字幕を一組にします。Seedはtext_prompt、参照音声/画像、audio_config、duration、字幕を場面ジョブにします。

BytePlusのenum表記の揺れをConsoleで確認し、fal partnerを選ぶ場合はキュー/課金を別にします。

04

店内案内と雨音付き短編

仮の条件（実際の生成結果ではない）

20秒の施設案内と、雨・ドア音・台詞を含む短編カットを作る。

  1. 案内はGeminiの本文とspeaker/styleへ置く。
  2. 短編はSeedのtext_promptとtiming、参照素材で試す。
  3. WAVとSeed出力を同じストリーム前提にしない。
  4. 字幕・音量・開始時刻・参照権利を確認する。
05

トークン課金と地域APIを切り分ける

Geminiは2026年末まで$0.50/1M text・$9/1M audio tokens。Seed BytePlusは地域・契約別の一律価格を確定していません。Seedを1分単価と補わず、BytePlusまたはfalの請求単位を固定してから見積もります。

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 Seed Audio 1.0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。
  • ByteDance Seed｜Seed Audio 1.0 — 声・効果音・環境音を全景として生成、参照音声、20以上の言語、100msタイミング、最大2分の紹介。
  • BytePlus Seed Speech｜Audio 1.0 API — 非ストリーミングHTTP、text_prompt最大3,000文字、参照音声最大3本（各30秒/10MB）、画像1枚、最大120秒、出力形式・速度・音量・ピッチ・字幕。本文enumはUpgraded表記、サンプルはseed-audio-1.0。
  • BytePlus Seed Speech｜Audio pricing — Audio 1.0の地域・契約別価格を確認する公式入口。
  • fal｜ByteDance Seed Audio 1.0 — partner routeはprompt、参照音声3本、画像1枚、mp3/wav/pcm/ogg_opus、sample_rate、speed/volume/pitch。

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