01
gemini-3-1-flash-tts
PoYo では 1000 文字あたり 24 credits、つまり 1000 文字あたり $0.12 で利用できる表現力のある Google TTS です。text、style_instructions、voice、language_code、speakers、temperature、output_format を制御できます。
Examples
価格詳細
透明な価格設定。隠れた費用はありません。使った分だけ支払えます。
gemini-3-1-flash-ttsText to speech
PoYo価格
$0.120
24 クレジット
公式価格
$0.150
Reference
節約率
20%
| モデル | 仕様 | PoYo価格 | 公式価格 | 節約率 |
|---|---|---|---|---|
| gemini-3-1-flash-tts | Text to speech | $0.120 24 クレジット per 1000 characters | $0.150 Reference | 20% |
* 実際の料金は最終出力に基づきます。
紹介
音声タグで精密制御できる手頃な Gemini 3.1 Flash TTS API を使用するための完全なガイド
音声タグで精密制御できる手頃な Gemini 3.1 Flash TTS API
PoYo 上の Gemini 3.1 Flash TTS で、自然な text-to-speech ワークフローを構築できます。表現力のある音声タグ、自然言語のスタイル指示、Gemini voice、2 人話者の会話、標準の非同期ステータス確認を 1 つの API で扱えます。Podcast 台本、アプリ音声、学習ナレーション、ローカライズ音声を、明確な文字単価で生成できます。
PoYoで利用できるGemini 3.1 Flash TTS APIモデル
Playground を試す
Gemini 3.1 Flash TTS が違う理由
Gemini 3.1 Flash TTS は、指示に沿って話し方を切り替え、多言語のプロダクト音声ワークフローを複雑な voice pipeline なしで支えるために作られています。
01
細かな音声タグ
[sigh]、[laughing]、[whispering]、[short pause] などの表現タグを script 内に入れて読み上げを制御できます。1 つの text フィールドで、話す内容と演出指示の両方を扱えます。
- 感情、間、非言語的な声の合図を制御できます。
- ストーリー、製品動画、Podcast、キャラクター台詞にタグを使えます。
- 表現の指示を script のすぐ近くに保てます。
02
2 人話者の会話
ちょうど 2 つの speaker alias を別々の Gemini voice に割り当てて、会話形式の音声を生成できます。text の各行に speaker ID を付け、API リクエストで各 speaker を個別の voice に対応させます。
- Host と Guest の Podcast セグメントを作成できます。
- キャラクター会話やアシスタント会話を試作できます。
- 会話内の役割ごとに speaker alias と voice を設定できます。
作成できるもの
01
Podcast とナレーション
Host 読み、イントロ、オーディオブック、編集音声を、演出指示付きで生成できます。
02
学習コンテンツ
コース台本、オンボーディング教材、研修資料を、明瞭な多言語音声に変換できます。
03
キャラクター会話
ゲーム台詞、ロールプレイ、物語シーン、2 人話者の会話を別々の voice で試作できます。
04
ローカライズされた製品音声
アプリ案内、サポートメッセージ、製品デモ、アクセシビリティ音声を複数言語で作成できます。
Gemini 3.1 Flash TTS 料金：PoYo vs fal.ai
PoYo は、PoYo の他の audio モデルと同じ非同期生成ワークフローで Gemini 3.1 Flash TTS を提供し、公開参考価格と比較しやすい明確な料金を示します。
| 項目 | PoYo | Fal.ai |
|---|---|---|
| 公開モデル ID | gemini-3-1-flash-tts | 非公開 |
| 参考価格 | 1000 文字あたり $0.12 | 1000 文字あたり $0.15 |
| PoYo credits | 1000 文字あたり 24 credits | N/A |
| 主要コントロール | text, style_instructions, voice, language_code, speakers, temperature, output_format | スタイル、voice、言語、speaker、temperature、format を制御できる text 入力 |
| ワークフロー | タスク送信、標準ステータス確認、音声ファイルのダウンロード | 参考キューワークフロー |
PoYo の料金は 1000 文字あたり 24 credits です。1 credit は $0.005 です。
PoYo で Gemini 3.1 Flash TTS を使う方法
- API Key を取得: PoYo アカウントを作成し、ダッシュボードで API Key を生成します。API Key を取得 ->
- text を書く: 読み上げたい text を入力し、必要に応じて [laughing]、[sigh]、[whispering]、[short pause] などの音声タグを追加します。
- voice 設定を選ぶ: Gemini voice を選び、任意で language_code、style_instructions、temperature、output_format を指定するか、speaker_id と voice を持つちょうど 2 つの speakers を設定します。
- 送信して取得: PoYo generate API でタスクを送信し、標準のタスクステータス API で音声出力を取得します。API ドキュメントを見る ->
Gemini 3.1 Flash TTS FAQ
Gemini 3.1 Flash TTS とは何ですか？
Gemini 3.1 Flash TTS は、text から自然な多言語音声を生成する Google の表現力豊かな text-to-speech モデルです。音声タグ、自然言語のスタイル指示、Gemini voice、2 人話者の会話に対応します。
text フィールドには何を入れればよいですか？
text には話してほしい言葉を入れます。[laughing]、[sigh]、[whispering]、[short pause] などの音声タグも使えます。複数話者では Host: や Guest: のような alias を行頭に付けます。
style_instructions はどう使いますか？
style_instructions はリクエスト全体に適用する読み上げ指示です。例として、暖かくゆっくり、ドラマチックなニュース風、英国アクセント、明るいトーン、ミステリアスなささやきなどを指定できます。
Gemini 3.1 Flash TTS は音声タグに対応していますか？
はい。音声タグはこのモデルの強みで、感情、間、笑い、ささやき、速度などの演出を script 内で直接制御できます。
どの voice と言語に対応していますか？
API は Kore、Puck、Charon、Zephyr、Aoede など 30 種類の Gemini voice を提供します。70 以上の言語で多言語合成に対応し、任意で language_code による誘導もできます。
複数話者の会話を作れますか？
はい。speaker_id と voice を持つちょうど 2 つの speakers を送信します。text 内でも同じ speaker_id の prefix を使うことで、各行を意図した voice に割り当てます。speakers を設定すると、トップレベルの voice は無視されます。
どの出力形式を指定できますか？
PoYo は Gemini 3.1 Flash TTS で mp3、wav、ogg_opus をサポートします。MP3 がデフォルトで、Web やアプリ再生向けの軽量ファイルに適しています。
課金はどう計算され、結果はどう取得しますか？
PoYo は 1000 文字あたり 24 credits、つまり 1000 文字あたり $0.12 で課金します。生成リクエストを送信し、返された task_id を PoYo の標準タスクステータス API に渡して音声ファイルを取得します。
PoYo を使う理由
01
明確な文字単価
Gemini 3.1 Flash TTS を 1000 文字あたり $0.12 で、予測しやすい credit 課金として利用できます。
02
統一されたモデルアクセス
text、image、video、audio モデルを、同じ PoYo アカウント、課金、ステータス確認、callback ワークフローで使えます。
03
本番向けワークフロー
非同期ジョブを送信し、安定したタスクステータスを確認し、完成した音声ファイルを 1 つの API surface から取得できます。
04
表現力のある制御
text、style、voice、language、speakers、temperature、output_format による実用的な本番向け制御を提供します。