AI 音声生成 — Gemini 3.8 TTS & Eleven v4 API

最初のナレーションを作成

読み上げる文章を入力するか、サンプルを聴いてみましょう。

生成に必要な入力

テキスト

Enter the exact words to speak; Gemini reads them as written. Add sounds or pauses where they happen in angle brackets, such as <laugh>, <sigh>, or <short pause>, and capitalize a word to stress it.

使用モデル

5 モデル

Google
- Gemini 3.8 Flash-Lite TTS
- Gemini 3.8 Flash TTS
MiniMax
- MiniMax Speech 2.8 Turbo
- MiniMax Speech 2.8 HD
ElevenLabs
- Eleven v4

例

オーディオ

Gemini 3.8 Flash TTS

Pyraのご紹介：ナレーション

Gemini 3.8 Flash TTS。Pyra自身の物語を、あたたかな語り部の声で。どんな動画にもそのまま重ねられるナレーションです。

再現する

音声生成の使い方

このパイプラインをワークフローのどこで使うか判断するための簡潔なガイドです。

最適な用途

70以上の言語でのナレーション・ボイスオーバー
自然言語によるスタイル制御付きのテキスト読み上げ（例：「温かく話す」「ささやく」「興奮したトーン」）
数十種類の表現力豊かな声を使ったマルチボイスコンテンツ
多言語台本、言語はテキストから自動検出されます

ヒント

テンポを整えるため、ナレーションは短く明確な文で書く
句読点で間をコントロール：ピリオドで完全な停止、カンマで短い間、三点リーダーで長い間
声を自動のままにすればAIがスタイル指示に合うものを選び、繰り返し登場するキャラクターが欲しい場合は特定の声を固定できます
自然言語のスタイルヒントを使う：「ゆっくりとドラマチックに話す」「明るく元気に」「落ち着いて安心感を与えるように」

音声生成 API

このパイプラインをご自身のコードから呼び出せます。1回のリクエストで実行が始まり、モデルは独立したエンドポイントではなく入力フィールドです。

APIトークンを取得

個の入力: 5
必須: 1
料金: 0.002 to 40.0 クレジット

言語

TypeScript Python Go CLI

bun add @pipe2-ai/sdk

パイプラインを実行

import { createClient } from "@pipe2-ai/sdk";

const client = createClient(process.env.PIPE2_TOKEN!);

const { run_pipeline } = await client.RunPipeline({
  pipeline_slug: "audio-generator",
  input: {
    text: "Welcome back to the show. Today we're talking about something a little strange.",
    model: "gemini-3-8-flash-tts",
  },
});

pip install pipe2

パイプラインを実行

import asyncio
import os

from pipe2 import Pipe2Client

client = Pipe2Client(token=os.environ["PIPE2_TOKEN"])

run = asyncio.run(client.run_pipeline(
    pipeline_slug="audio-generator",
    input={
        "text": "Welcome back to the show. Today we're talking about something a little strange.",
        "model": "gemini-3-8-flash-tts",
    },
))

go get github.com/pipe2-ai/sdk-go

パイプラインを実行

client := pipe2.NewClient(os.Getenv("PIPE2_TOKEN"))

input := json.RawMessage(`{
  "text": "Welcome back to the show. Today we're talking about something a little strange.",
  "model": "gemini-3-8-flash-tts"
}`)

run, err := pipe2.RunPipeline(context.Background(), client, "audio-generator", input)
if err != nil {
    log.Fatal(err)
}

brew install pipe2-ai/tap/pipe2

パイプラインを実行

pipe2 pipelines run \
  --pipeline audio-generator \
  --input-json '{"text": "Welcome back to the show. Today we're talking about something a little strange.", "model": "gemini-3-8-flash-tts"}' \
  --wait

1ページあたり

入力	型	既定値	説明
`text`必須	string	既定値—	音声に変換するテキスト。
`enhance_prompt`	boolean	既定値true	生成前に選択したモデル向けにプロンプトを改善します。プロンプトを変更せず送信するにはオフにします。
`instructions`	string	既定値—	トーン、アクセント、テンポ、感情を記述してください。AI が詳細なスタイルプロンプトを生成します。
`model`	enum	既定値gemini-3-8-flash-tts	使用する音声モデルです。未指定の場合は、指示内容に合う利用可能な音声をPipe2が選びます。 gemini-3-8-flash-tts · gemini-3-8-flash-lite-tts · eleven-v4 +2 `gemini-3-8-flash-ttsgemini-3-8-flash-lite-ttseleven-v4minimax-speech-2-8-turbominimax-speech-2-8-hd`
`voice`	string	既定値auto	数十種類から選べる音声名。auto にすると AI が自動で選択します。

任意の MCP クライアントを pipe2 に接続すると、エージェントがこれらのツールを使えるようになります。このパイプラインを見つけ、上と同じスキーマを読み取って実行します。

list_pipelines
get_pipeline_schema
run_pipeline
get_pipeline_run_status
request_upload

https://mcp.pipe2.ai/mcp

{
  "mcpServers": {
    "pipe2ai": {
      "url": "https://mcp.pipe2.ai/mcp",
      "headers": { "Authorization": "Bearer YOUR_TOKEN" }
    }
  }
}

MCP のセットアップ

APIリファレンス全文 CLIリファレンス

このパイプラインを使うレシピ

すべてのレシピを見る

視聴者の質問 → アニメーションで伝える答え

確認済みの回答とビジュアル構成を、ナレーション、ストック動画、タイミングを合わせた図解、同期字幕付きの縦型解説動画に変換します。

6個のパイプライン CLIコマンド1つ

レシピを開く
1. 1 音声生成
2. 2 文字起こし
3. 3 映像素材検索
4. 4 動画の組み立て
5. 5 テキストカード
6. 6 字幕
レシピを開く

このパイプラインに関する記事

すべての記事を見る

よくある質問

どんな声が利用できますか？

明るい、深い、温かい、しっかりした、ドラマチックなキャラクターにわたる数十種類の表現力豊かな声。それぞれがトーンや話し方の平易な言葉によるスタイル指示に応答します。

どの言語に対応していますか？

自動検出付きで70以上の言語に対応。英語、中国語、日本語、スペイン語などの主要言語から、セブアノ語、コンカニ語、ルクセンブルク語といった地域言語まで。

指示はどのように機能しますか？

声にどう聞こえてほしいかを平易な言葉で記述します。例えば：「40歳のイギリス人ジャーナリスト、重要な点ではドラマチックな間を置いてゆっくり話す」。AIがあなたの指示を解釈し、声の演技を作り上げます。

出力の音声フォーマットは何ですか？

MP3形式で、ダウンロードしてすぐに使えるほか、動画リールなどのパイプラインにナレーショントラックとして連結できます。

どのモデルを選べばいいですか？

Gemini 3.8 Flash-Lite TTS は最も速く安価で、下書きや短いクリップに向いています。Gemini 3.8 Flash TTS は130以上の言語でスタジオ品質のナレーションを生成します。Eleven v4 は最も表現力が高く、指定した箇所で笑ったり、ため息をついたり、ささやいたりします。MiniMax Speech 2.8 の Turbo と HD は、速さ重視と品質重視の選択肢です。どれも数秒で MP3 を返します。

何クレジットかかりますか？

モデルとテキストの長さに応じて 0.002 to 40.0 クレジットです。Gemini のモデルは、実際に生成された音声の分だけ課金されます。結果は数秒で用意できます。