投稿者 投稿日: カテゴリー Gemini
Gemini 3.8 Flash TTSとは、テキストを自然な音声に変えるGoogleの音声合成AIのことです。
商品動画のナレーションは「プロのナレーターに頼まないと安っぽくなる」と言われがちですが、2026年の現場で観測しているのは、むしろ逆の悩みです。ナレーターに頼むと1本ごとに日程調整と修正のやり取りが発生し、商品の入れ替えやセール告知に動画の更新が追いつかない。2026年9月にGoogleが公開したGemini 3.8 Flash TTSは、日本語を含む130以上の言語で、話し方の感情や間の取り方まで文章で指示できる音声合成モデルで、報道ベースでは1時間分の音声を約0.81ドルで生成できるとされています。本記事は、EC支援19年・5,000社超の実績を持ち、AI導入支援は2023年から提供する株式会社オルセル（うるチカラ運営）が、Gemini 3.8 Flash TTSで商品動画のナレーションを内製する手順を、声の権利や表示ルールの注意点とあわせて解説します。
Gemini 3.8 Flash TTSでナレーション制作の何が変わるのか
変わるのは、ナレーションを「発注するもの」から「社内で何度でも作り直せるもの」にできる点です。Googleの音声生成のドキュメントによると、Gemini 3.8の音声合成には gemini-3.8-flash-tts と、より軽量な gemini-3.8-flash-lite-tts の2つのモデルがあります。Flash TTSは130以上、Flash-Lite TTSは100以上の言語に対応し、日本語はどちらでも使えます。
声の選択肢は、30種類の厳選された既製ボイスが基本で、さらに数百種類の拡張ボイスライブラリをAPIから呼び出せます。1回のリクエストで2人までの話者を使い分けられるため、店長とお客様の掛け合いのような構成も1本の音声として作れます。話し方の指示は2段構えで、発話ごとの感情・速さ・トーンを speech_metadata.style で指定し、笑い声やため息、短い間といった一瞬の表現は <laugh> <sigh> <short pause> のような山かっこのタグを文中に入れて指定します。句読点や三点リーダーでも間の取り方を調整できます。
もう1つの大きな機能が、声の再現と声の設計です。再現は、参照用の音声と本人の同意を示す音声を用意して、特定の人の声を再現する機能です。設計は、「落ち着いた30代の女性の声で、やや低め」のような文章の説明から新しい声を作る機能です。作成した声は、最後に使ってから1年間保持され、1プロジェクトあたり200件まで保存できます。
出力形式は、通常のリクエストでは24kHz・モノラル・16ビットのWAV、ストリーミングではヘッダーなしの生のPCMです。電話回線向けの8ビット形式（G.711）にも対応しているため、商品動画だけでなく、電話の自動音声案内にも同じ声を使えます。
料金は、eeselの解説記事などの報道ベースで、テキスト入力が100万トークンあたり0.50ドル、音声出力がFlash TTSで100万トークンあたり9ドル、Flash-Lite TTSで6ドルとされています。この価格は2026年12月31日までの導入価格で、2027年1月1日からはFlashが18ドル、Flash-Liteが12ドルに上がるとされます。1時間分の音声を生成した場合の費用は、現行のFlashの単価で約0.81ドルという試算です。公式の料金ページでの最終確認は要確認としつつ、少なくとも年内はかなり安い水準で試せる状況です。
楽天・Amazon・SNSで商品動画ナレーションが活きる場面
ナレーションの効果が出やすいのは、商品ページの動画よりも、SNSや広告など音を出して見られやすい場面と、使い方の説明が必要な商品です。逆に、音を出さずに見られることが多い場面では、字幕を前提にした設計が欠かせません。
楽天市場やAmazonの商品ページに置く動画は、スマートフォンで音を出さずに再生されることが少なくありません。そのため、ナレーションは「あれば理解が深まる補助」と位置づけ、画面上の文字だけでも内容が伝わる構成にしておくのが安全です。Amazonではブランド登録をしている出品者が商品詳細ページに動画を追加でき、組み立て方や使い方の説明動画は購入前の不安を減らす効果が期待できます。家電や調理器具、組み立て家具のように「使い方が分からない」が購入の壁になる商品では、手順を声で説明するナレーションの価値が高くなります。
InstagramのリールやTikTokの動画では、音を出して見る利用者が多く、冒頭の声で興味を引けるかどうかが視聴の継続を左右します。一方で、広告として配信する場合は音を出さない視聴者への配慮も必要で、字幕との併用が前提です。Meta広告の動画設計については、Meta広告コピー作成スキルの解説で、冒頭3秒と字幕の考え方を整理しています。
越境ECでは、多言語対応の効果が大きくなります。日本語のナレーション原稿を翻訳し、英語や中国語、韓国語の音声を同じ声の雰囲気で作れれば、言語ごとにナレーターを手配する必要がなくなります。ただし、言語ごとに読みの自然さは異なるため、ネイティブの確認を通す工程は省けません。多言語の音声合成の比較としては、NVIDIAのMagpie TTSを扱った記事も参考になります。
店舗運営の現場感覚では、ナレーションの内製で最も効果が出るのは、新商品の投入やセールのたびに動画を差し替える店舗です。ナレーターへの発注では、原稿の修正が1文字でも入ると再収録が必要になりますが、音声合成なら原稿を直して再生成するだけで済みます。季節ごとに訴求を変えるギフト商品や、型番の入れ替えが多い家電では、この差が積み重なります。
ナレーションを内製する5つの手順とプロンプト5本
Gemini 3.8 Flash TTSでナレーションを内製する手順は、「原稿を書く→話し方を指示する→掛け合いを作る→多言語化する→点検する」の5つです。プロンプト1・4・5はChatGPT・Claude・Geminiのいずれでも使え、プロンプト2・3はGemini 3.8 Flash TTSに渡す原稿と指示の雛形です。
手順1は原稿づくりです。動画の長さに対して原稿が長すぎると、早口で聞き取りにくいナレーションになります。日本語のナレーションは1分あたり300字前後が聞き取りやすい目安とされるため、動画の秒数から逆算して文字数を決めます。
プロンプト1：商品動画のナレーション原稿を書く
あなたはEC商品動画の構成作家です。
以下の商品について、{秒数}秒の商品動画用ナレーション原稿を書いてください。
条件：
1. 文字数は{秒数}秒×5文字を上限にする（例：60秒なら300字以内）
2. 冒頭の1文で、誰のどんな悩みを解決する商品かを伝える
3. 1文は30字以内にし、耳で聞いて分かる言葉を使う（漢語の連続や略語を避ける）
4. 商品情報にない効果や数字は書かない。効果効能を断定する表現は使わない
5. 画面に表示する字幕用に、原稿を15字前後で区切った版も出力する
商品情報：
- 商品名：{商品名}
- 特徴：{特徴}
- 使い方：{使い方}
- 想定する購入者：{購入者像}
手順2は話し方の指示です。原稿だけを渡すと、平板な読み上げになりがちです。発話全体の雰囲気と、強調したい箇所の間の取り方を指示します。
プロンプト2：話し方の指示つき読み上げ（Gemini 3.8 Flash TTS向け雛形）
スタイル指示（speech_metadata.style に指定）：
落ち着いた明るいトーンで、ややゆっくりめに話す。商品名の部分は少しはっきりと発音する。押し付けがましくなく、友人に勧めるような親しみのある話し方にする。
読み上げ原稿：
朝の支度、もっと短くしたいと思いませんか。<short pause>
{商品名}なら、{特徴を1文で}。
使い方はかんたん。{使い方を1文で}。<short pause>
{締めの1文}
手順3は掛け合いの作成です。1回のリクエストで2人までの話者を使えるため、店長が説明し、お客様役が質問する形にすると、よくある疑問に自然に答える動画になります。
プロンプト3：店長とお客様の掛け合い原稿（2話者）
話者1（店長）：落ち着いた声で、丁寧に説明する
話者2（お客様）：明るい声で、素朴な疑問を投げかける
原稿：
話者2：これ、{よくある疑問1}？
話者1：はい、{回答1}。<short pause>
話者2：{よくある疑問2}も気になってたんです。
話者1：{回答2}。だから{利用シーン}にもおすすめです。
話者2：それなら試してみようかな。
手順4は多言語化です。日本語の原稿をそのまま機械翻訳すると、読み上げたときに不自然な言い回しになることがあります。読み上げ用に、文の長さとリズムを整えた翻訳を作らせます。
プロンプト4：越境EC向けにナレーション原稿を読み上げ用に翻訳する
以下の日本語のナレーション原稿を、{言語}の読み上げ用原稿に翻訳してください。
条件：
1. 直訳ではなく、{言語}を母語とする人が耳で聞いて自然な表現にする
2. 元の原稿と同じ秒数で読める長さに収める
3. 商品名とブランド名は翻訳せず、そのまま残し、読み方をカタカナではなく{言語}の発音で示す
4. 日本特有の表現（季節の挨拶、贈答の習慣など）は、意味が伝わる表現に置き換え、置き換えた箇所を最後に列挙する
5. 効果効能を断定する表現や、現地の広告規制に触れそうな表現があれば指摘する
元の原稿：
{日本語の原稿}
手順5は点検です。生成した音声は、原稿どおりに読まれているかを確かめる必要があります。特に、商品名や型番、数字の読み間違いは起きやすいため、文字起こしと原稿を照合します。
プロンプト5：ナレーション音声の点検
以下は、商品動画のナレーション原稿と、生成した音声を文字起こししたものです。
点検項目：
1. 原稿と文字起こしで、商品名・型番・数字・単位の読みが一致しているか
2. 読み間違いやすい語（同じ漢字で読みが複数ある語、英字の略称）が正しく読まれているか
3. 効果効能を断定する表現や、根拠のない最上級表現が含まれていないか
4. 原稿の文字数が動画の秒数に対して多すぎないか
5. 読みを修正するために、原稿をひらがな表記や言い換えに直すべき箇所の提案
原稿：
{原稿}
文字起こし：
{文字起こし}
5つの手順のうち、仕上がりを最も左右するのは手順1の原稿の長さと、手順5の読みの点検です。商品名や型番の読みは、辞書にない固有名詞ほど間違えやすく、ひらがなで書き直す、読みを括弧で補うといった原稿側の工夫で解決することが多くあります。
よくある失敗例と回避策
1つ目の失敗は、声の権利を確認せずに声を再現してしまうことです。有名人や声優に似た声を作ったり、退職したスタッフの声を使い続けたりすると、肖像やパブリシティに関わる権利の問題、本人とのトラブルにつながりかねません。Gemini 3.8 Flash TTSの声の再現には参照音声と同意の音声が求められる仕組みになっていますが、それだけで社内の同意手続きが済むわけではありません。回避策は、声を提供するスタッフと、利用目的・期間・退職後の扱いを文書で取り決めることです。既製ボイスや、文章の説明から作る声の設計を使えば、特定の人の声に依存しない運用もできます。
2つ目の失敗は、ナレーションで言ってはいけないことを言わせてしまうことです。文字では慎重に書いていても、ナレーション原稿になると「これで肌がよみがえる」「飲むだけで体型が変わる」のような効果を断定する表現が入りやすくなります。化粧品や健康食品では、薬機法上、文字の表示と同じく音声の表現も問題になります。直近の支援案件で観測したのは、商品ページの説明文は点検を通っていたのに、動画のナレーション原稿だけ点検の対象外になっていたケースでした。回避策は、ナレーション原稿も商品ページの文章と同じ点検の流れに入れることです。
3つ目の失敗は、導入価格を前提に長期の費用を見積もることです。報道ベースでは、Flash TTSの音声出力の単価は2027年1月1日に2倍になるとされています。年内の単価で年間の予算を組むと、年明けに費用が倍になって驚くことになります。回避策は、2027年以降の単価でも試算しておき、Flash-Lite TTSやBatch処理との使い分けで費用を抑える計画を立てておくことです。
KPI設計と費用・工数の目安
追うべきKPIは、動画1本あたりの制作時間、動画の視聴完了率、動画を含む商品ページの転換率、修正の往復回数の4つです。制作時間と修正の往復回数は、ナレーター発注との比較で効果が見えやすい指標です。視聴完了率と転換率は、ナレーションを入れた動画と入れない動画を比べて、ナレーションの効果そのものを確かめるために使います。
費用は、報道ベースの単価で試算できます。1時間分の音声が約0.81ドルなら、60秒の商品動画のナレーションは1本あたり約0.014ドル、1ドル150円換算で約2円です。100本の動画で100分の音声を作っても、約1.35ドルにとどまります。2027年1月以降に単価が2倍になったとしても、100本で約2.7ドルです。音声合成そのものの費用は、ナレーター発注と比べてほぼ無視できる水準で、実際の負担は原稿づくりと点検の人件費になります。
工数の目安として、編集部で実際に運用しているプロンプトでは、60秒の動画1本あたり、原稿づくりに15分、音声の生成と話し方の調整に15分、点検に10分ほどかかります。ナレーターに発注する場合の、原稿の確定、収録日程の調整、修正の往復と比べると、着手から完成までの日数は大きく縮まります。ただし、最初の数本は話し方の指示を詰めるのに時間がかかるため、店舗としての「声の型」を決めるまでに1〜2週間を見込んでおくと安心です。
効果の測り方にも工夫が要ります。ナレーションの有無だけを変えた2種類の動画を用意し、同じ商品・同じ期間で比べるのが基本です。SNS広告なら配信先の設定を揃えて同時に配信し、視聴完了率とクリック率を比べます。商品ページの動画は期間を分けて差し替えることになりますが、セールや季節の影響を受けやすいため、2週間程度の期間を2回以上繰り返して傾向を見るのが無難です。ナレーションを入れた動画は、視聴完了率が上がっても転換率には差が出ない、ということも十分に起こりえます。ナレーションは「見てもらう時間を延ばす」効果と「買ってもらう」効果を分けて評価すると、判断を誤りにくくなります。
ChatGPTやClaudeなど他のAIで原稿を書き、Gemini 3.8 Flash TTSで読み上げる組み合わせでも構いません。Google AI Studioの画面から試せば、プログラムを書かずに音声を生成できるため、まずは数本を画面上で作って、声と話し方の方向性を決めるところから始めるのが現実的です。
今後の展望と独自考察
今後の焦点は、商品動画の制作が「撮影・編集・ナレーション」をそれぞれ外注する形から、AIで社内完結させる形へ移っていく点です。動画生成AIで商品の使用シーンを作り、音声合成AIでナレーションを付け、字幕も自動で入れる、という流れはすでに技術的には揃いつつあります。動画生成の側の動きは、Gemini Omniで商品動画を量産する方法を解説した記事で紹介しています。
この流れの中で差がつくのは、「店舗の声」を持てるかどうかだと考えます。同じ既製ボイスを多くの店舗が使えば、ナレーションは似通っていきます。声の設計機能で自社のブランドに合う声を作り、すべての動画や電話案内で同じ声を使い続ければ、その声自体がブランドの一部になります。5,000社支援の中で何度も再現したパターンとして、ブランドの印象を統一できている店舗ほど、リピート購入の比率が高くなる傾向があります。声もその統一の対象に入ってきます。
注意したいのは、AIの音声であることを利用者にどう伝えるかです。日本では、AIで生成した音声であることの表示を一律に義務づける法律は現時点ではありませんが、海外ではAI生成コンテンツの表示を求める動きが進んでいます。越境ECで海外向けに動画を配信する場合は、配信先の国や地域のルールを確認する必要があります。国内向けでも、実在の人物の声と誤解されるような使い方は避け、必要に応じて「AI音声を使用しています」と表示しておくほうが、信頼を損なわずに済みます。
もう1つの論点は、電話の自動音声案内との連携です。Gemini 3.8 Flash TTSは電話回線向けの音声形式にも対応しているため、商品動画と同じ声で、営業時間や配送状況の案内を流すこともできます。動画、電話、店頭のサイネージで声を揃えるという使い方は、これまで費用の面で大企業にしかできなかったことでした。
よくある質問
Gemini 3.8 Flash TTSとは何ですか？
Gemini 3.8 Flash TTSとは、テキストを自然な音声に変換するGoogleの音声合成モデルのことです。130以上の言語に対応し、日本語も使えます。話し方の感情や速さを文章で指示でき、1回のリクエストで2人までの話者を使い分けられます。
日本語のナレーションは自然に聞こえますか？
はい、日本語にも対応しており、話し方の指示や間のタグで自然さを調整できます。ただし、商品名や型番、読みが複数ある漢字は読み間違えることがあるため、ひらがな表記に直すなどの原稿側の工夫と、文字起こしによる点検が必要です。まず数本を作って、自社の商品名が正しく読まれるかを確かめてください。
料金はどのくらいかかりますか？
報道ベースでは、1時間分の音声で約0.81ドル、60秒の商品動画1本なら約2円が目安です。ただし、この単価は2026年12月31日までの導入価格とされ、2027年1月1日から音声出力の単価が2倍になる見込みです。公式の料金ページで最新の単価を確認してから予算を組んでください。
スタッフの声を再現して使ってもよいですか？
本人の同意を文書で取り決めたうえで使うのが前提です。Gemini 3.8 Flash TTSの声の再現には参照音声と同意の音声が必要ですが、社内の手続きとしては、利用目的、期間、退職後の扱いを決めておく必要があります。特定の人に依存したくない場合は、既製ボイスや文章から作る声の設計を使う方法もあります。
有名人に似た声を作ってもよいですか？
いいえ、避けてください。有名人や声優に似た声を商品の宣伝に使うと、パブリシティに関わる権利の侵害や、本人が推薦しているかのような誤解を招くおそれがあるからです。自社のブランドに合わせて、文章の説明から新しい声を設計する方法をおすすめします。
化粧品や健康食品の動画で注意することはありますか？
はい、ナレーションでも薬機法や景品表示法の表現ルールが適用されます。文字の説明文では慎重に書いていても、話し言葉の原稿では効果を断定する表現が入りやすいため注意が必要です。ナレーション原稿も、商品ページの文章と同じ点検の流れに入れてください。
プログラムを書けなくても使えますか？
はい、Google AI Studioの画面から、プログラムを書かずに音声を生成できます。まず画面上で数本を作り、声と話し方の方向性を決めるのがおすすめです。動画の本数が増えてきたら、APIを使った一括生成や、動画編集ツールとの連携を検討してください。
まとめ
Gemini 3.8 Flash TTSは、日本語を含む130以上の言語で、話し方まで指示できる音声合成を、1時間約0.81ドルという水準で使えるようにしました。商品動画のナレーションを社内で何度でも作り直せるようになれば、新商品やセールのたびに動画を更新する運用が現実的になります。ただし、声の権利の取り決め、薬機法や景品表示法の点検、2027年の値上げを見込んだ予算は欠かせません。まずGoogle AI Studioで数本を作り、プロンプト1〜5の順で「店舗の声の型」を決めるところから始めてみてください。
参考文献
- Google AI for Developers「Speech generation」
- Google AI for Developers「Gemini API pricing」
- eesel「Gemini 3.8 Flash TTS pricing」
- LiteLLM「Day 0 support: Gemini 3.8 Flash TTS and Flash-Lite TTS」
著者：齋藤竹紘（株式会社オルセル 編集長／5,000社以上のEC支援実績／書籍3冊）
※うるチカラでは、生成AIの導入支援から運用最適化まで、貴社のEC事業に合わせたカスタマイズ提案を行っています。無料相談（30分）も実施中ですので、お気軽にお問い合わせください。
https://uruchikara.jp/contact/
【監修】齋藤竹紘（株式会社オルセル代表 / 19年・5,000社のEC支援実績）
株式会社オルセル代表取締役 / うるチカラ編集長。19年・5,000社以上のEC支援実績を持ち、楽天市場・Amazon・Yahoo!ショッピング・Shopify・Shopee越境ECの実装ノウハウを保有。AI×ECに関する書籍を3冊執筆。「現場で使えるAI実装」を一次情報として発信しています。
この記事を読んだ人は、こんな記事も読んでいます
