Gemini 3.1 Flash TTS
1,000 文字あたり $0.053 から
自然な出力と調整できるプロンプトを備えた、Google の表現豊かな音声合成モデルです。トーンとペースをあなたが指示すると、Craze が動画にナレーションを付けます。
Gemini 3.1 Flash TTS を名前で指定すると、Craze がそれを実行します。
Gemini 3.1 Flash TTS の得意なこと
表現豊かで調整できるナレーション
このモデルは、台本に埋め込んだ (warmly)、(urgently)、(whispered) のような文中のタグに反応します。
自然なペースと強調
モデルがどこで間を取り、どこで速くなり、どの言葉を強調するかを指示できます。
どんな長さの台本にも対応
30 秒のスポット広告でも、30 分のドキュメンタリーでも、Gemini 3.1 Flash TTS は台本全体を一度に処理します。
ディレクション。生成。編集。
プロンプトをやめて、ディレクションを始めよう。
Craze は、あなたと一緒にクリエイティブにアイデアを出し合い、リサーチし、企画を立てます。
センスのいいコンテンツを、生み出そう。
Craze は、想像できるものなら何でも生成します。動画、音声、音楽、モーショングラフィックスなど。
動画編集は、数日ではなく数分で。
Craze が素材を見て、完成したカットを組み立てます。必要なら、本格的なエディターも。
見てもらえる動画を、つくろう
- UGC 動画
- モーショングラフィックス
- 長編映画
- 製品ビジュアライゼーション
- ショートドラマ
- 3D フィルム
- ミュージックビデオ
- ブランドフィルム
- ウェディングハイライト
- YouTube レビュー
Gemini 3.1 Flash TTS をほかと比べると
ここにあるどのモデルも Free を含むすべての Craze プランで動作し、Craze はショットごとに別のモデルを使えます。
| Gemini 3.1 Flash TTSGoogle DeepMind | ElevenLabs v4ElevenLabs | Gemini 3.8 Flash TTSGoogle DeepMind | Gemini 3.8 Flash Lite TTSGoogle DeepMind | |
|---|---|---|---|---|
| つくれるもの | テキストから音声 | テキストから音声 | テキストから音声 | テキストから音声 |
| 最低料金 | 1,000 文字あたり $0.053 | 1,000 文字あたり $0.085 | 1,000 文字あたり $0.048 | 1,000 文字あたり $0.032 |
Gemini 3.1 Flash TTS のCraze での仕様
| タスク | 入力 | 解像度 | アスペクト比 | サウンド |
|---|---|---|---|---|
| 音声合成 | テキストプロンプト | 元の素材に合わせる | 入力に合わせる | なし |
次の作品のために、プランを選ぼう。
Free
$0 / 月
- 利用量に上限あり
- すべてのメディアモデルを利用可能
- 効率重視チャットティア
- 1 GB のストレージ
- Craze MCP
- 最大 720p で書き出し
- クレジットを追加購入
Pro
$19 / 月
- 毎月 $19 分のクレジット
- すべてのメディアモデルを利用可能
- すべてのチャットティア
- 50 GB のストレージ
- Craze MCP
- 書き出し解像度の制限なし
- クレジットを追加購入
Ultra
$59 / 月
- 毎月 $59 分のクレジット
- すべてのメディアモデルを利用可能
- すべてのチャットティア
- 200 GB のストレージ
- Craze MCP
- 書き出し解像度の制限なし
- クレジットを追加購入
Max
$199 / 月
- 毎月 $199 分のクレジット
- すべてのメディアモデルを利用可能
- すべてのチャットティア
- 1 TB のストレージ
- Craze MCP
- 書き出し解像度の制限なし
- クレジットを追加購入
よくある質問
Gemini 3.1 Flash TTS は、表現豊かで調整できるナレーションのための、Google の音声合成モデルです。台本を自然に聞こえる音声に変え、録り直しや再合成をせずに、トーン、ペース、感情を指示できます。
クリエイターが Gemini 3.1 Flash TTS を選ぶ理由
Gemini 3.1 Flash TTS は、ナレーションに演出のコントロールをもたらします。ほとんどの音声合成モデルは平板に読み上げます。このモデルは演出に従い、その結果は合成音声というより、演じられたものに感じられます。
表現豊かで調整できるナレーション
このモデルは、台本に埋め込んだ (warmly)、(urgently)、(whispered) のような文中のタグに反応します。プロンプトで全体のトーンを整えることもできます。(with doubt) を付けた文は、指示のない同じ言葉とは違って読まれ、モデルはナレーション全体で連続性を保つので、最初から最後まで人柄が一貫します。
自然なペースと強調
モデルがどこで間を取り、どこで速くなり、どの言葉を強調するかを指示できます。間の位置や強調の置き方がずれると視聴者の受け取り方が変わってしまう、教育、セールス、ストーリーテリングでは、これが重要です。
どんな長さの台本にも対応
30 秒のスポット広告でも、30 分のドキュメンタリーでも、Gemini 3.1 Flash TTS は台本全体を一度に処理します。ステムをつなぎ合わせる必要も、区切りごとに連続性が途切れることもありません。
Craze で Gemini 3.1 Flash TTS を使う方法
プロジェクトを始めて、ナレーションを書くか、既存の台本を持ち込みます。生成と組み込みは Craze が行います。
- 台本を書くか貼り付けます。
(firmly)や(thoughtfully)のような文中の指示を加えて、各部分の読み方を整えます。 - チャットで Gemini 3.1 Flash TTS を指定するか、Models パネルで見つけて生成します。
- Craze が音声をつくり、ナレーションが始まるタイミングに合わせて、サウンドトラック用のトラックに配置します。
- タイムラインでタイミングを調整したり、カットに合わせてトリミングしたり、別のトーンが必要な部分を再生成したりします。
モデルを指定しない場合は、Craze が対応する音声合成モデルを料金とともに表示するので、生成が始まる前に選べます。
Gemini 3.1 Flash TTS の料金
料金は 1,000 文字あたり $0.053 からです。費用は最終的なナレーションの文字数だけで決まり、声のスタイルや文中の指示には左右されません。生成する前に、このページの料金計算ツールで費用を見積もってください。
このモデルは Free を含むすべての Craze プランで利用できます。実行にはプランのクレジットが使われ、さらに必要な場合、超過分は同じ 1 文字あたりの料金で請求されます。
Gemini 3.1 Flash TTS が向いている人
教育コンテンツと解説コンテンツ
授業動画やチュートリアルには、明確な強調と自然なペースが必要です。Gemini 3.1 Flash TTS は、要点を際立たせ、オチの前で間を取りながら、本物の先生のように説明を読み上げます。
ブランドのナレーション
ブランドフィルムや製品のスポット広告では、声がトーンを決めます。ブランドボイス（自信に満ちた、遊び心のある、真剣な）に合わせるようモデルに指示し、最初の結果が想像と違えば再生成します。
ドキュメンタリーと長尺のストーリーテリング
20 分の作品には、全編を通して一貫した人柄が必要です。Gemini 3.1 Flash TTS は声とトーンを最後まで保つので、ナレーターは言葉を読み上げる機械ではなく、物語を語る人のように聞こえます。
Gemini 3.1 Flash TTS とほかのモデルの比較
ElevenLabs v4 は Craze の標準ナレーターで、アクセントをコントロールしながら多言語の台本を扱えます。Gemini 3.1 Flash TTS は、トーンやペースを文中の指示で演出したいときの、表現豊かな英語のナレーションを得意としています。どちらも Craze で使え、価格帯が異なります。すばやい多言語の作業なら ElevenLabs v4 が第一の選択肢で、単一言語のナレーションの感情やリズムを整えるなら Gemini 3.1 Flash TTS のほうが向いています。
音楽や効果音も含めて音声をまとめて生成するなら、Seed Audio 1.0 が台詞、フォーリー、環境音を 1 回の生成で組み合わせます。シンプルで費用対効果の高いナレーションが必要なら、ByteDance の Seed Speech が、文中のプロンプト指示なしで自然なボイスクローンを実現します。(angry) や (whisper) のようなタグで感情を細かくコントロールしたいなら、Qwen Audio 3.0 TTS が多言語対応と 2 つの速度ティアを備えています。
制限事項と台本の要件
Craze では、Gemini 3.1 Flash TTS の台本の長さは、1 回の生成につき最大 4,000 文字です。それより長い台本は、セクションに分けて別々に生成し、タイムラインでつなぎ合わせる必要があります。モデルは文中のタグにも自然言語での指示にも同じようによく反応するので、同じ台本の中で両方のスタイルを混ぜられます。音声の生成には、台本の長さに応じて約 10〜30 秒かかります。モデルはナレーション全体で声の連続性とトーンの一貫性を保つので、長い台本でも最後までキャラクターが保たれます。
キャラクターのナレーションでは、単一の声のモデルよりも Gemini 3.1 Flash TTS のほうが効果的なことがよくあります。シーンごとに感情を変えるようナレーターを演出するとき（第 1 幕では弱さを見せ、クライマックスでは自信に満ちて）、文中のタグを使えば、台本全体の書き直しを頼まなくても、フレーム単位でコントロールできます。これは、トーンの移り変わりが意味を持つストーリーテリングやブランドコンテンツで重要です。
Gemini 3.1 Flash TTS だけでは、BGM、フォーリー、環境音は追加できません。モデルが返すのは声だけのナレーションなので、音楽や効果音は、プロジェクトの音声トラックか、ほかの生成元から用意します。そのため、既存の BGM やサウンドデザインにナレーションを重ねる動画プロジェクトに最適です。
