Gemini 3.1 Flash TTSとElevenLabsを比べてみた｜3シーンで見えた「向き・不向き」

こんにちは！GENELです。

先日GoogleがリリースしたTTS、

早速触ってみましたが、「え、これ意外とよくない？」ってなったので、今回は

• Gemini 3.1 Flash TTS プレビューで何が変わった？

• ElevenLabsとの比較（日本語の精度）

• 注意点：日本人の声では話せない？

などのお話をしていこうと思います！

まず何が違うの？という話

Gemini 3.1 Flash TTS Previewの一番の目玉は「音声タグ」という仕組みです。

テキストの中に [whispers] とか [enthusiasm] みたいな英語のタグを埋め込むだけで、読み上げのトーンや感情をコントロールできます。

音声タグはElevenLabsでも用いられていますよね！
(なにそれ？と言う方はこちらの記事を参考にしてみてください👇🏻)

タグは200種類以上あるらしく、ペース・トーン・アクセント・表現力まで細かく指定できるらしいです。

ElevenLabsと3つのシーンで比べてみた

ということで早速TTS界隈でずっと王道だった『ElevenLabs（イレラボ）』と比べてみました。

試したのは
・日常会話
・ナレーション
・ドラマ風の演技
の3パターンです。

まずは日常会話のシーンから比較してみましょう！

💡日常会話

【Gemini 3.1 Flash TTS Preview】

【ElevenLabs】

この動画のように、シュールな笑いやキャラクターの掛け合いの面白さ（漫才のようなテンポ感）を強調したい場合は、『Gemini 3.1 Flash TTS Preview』の方がいいかな？と思いました！

キャラクターの感情の動きを豊かに表現していて、最後のオチのシュールさを際立たせているような感じ。

一方で、リアルな日本人の声の質感、落ち着いたトーンでの自然な会話を目指す場合は、ElevenLabsの品質の高さが活きて来ると思います。

「感情表現が豊か＝どんな用途でも強い」だと思いますか？
ナレーションとドラマ演技で、その答えが出たので共有します👇🏻