Gemini 3.8 TTS 対 Gemini 3.1 Flash TTS：このファミリーに本当に存在する唯一のギャップ

同じモデルファミリー内でのアップグレードは通常なら簡単な決断だが、今回ばかりは見た目ほど簡単ではない要因が一つある。 Gemini 3.1 Flash TTSベンダーのAPIでは今もプレビューとして掲載されており、Artificial Analysis Provider Voice Arena で Elo 1,199、信頼区間12ポイントで10位につけている。Gemini 3.8 Flash TTS2026年9月23日にリリースされ、Elo 1,260、信頼区間17ポイントで2位につけている。これは61ポイントの向上であり、このボード上のほとんどの差と違って誤差範囲を生き延びている。3.1の範囲は1,187〜1,211、3.8の範囲は1,243〜1,277で、両者の間には32ポイントの空白域がある。品質面のアップグレードは本物だ。奇妙なのは価格の話である。

Google自身の料金表によると、音声出力料金は3.1の100万トークンあたり20.00ドルから3.8の9.00ドルへ下落した — 55％の削減だ。Artificial Analysisは同じ2つのモデルをそれぞれ100万文字あたり18.30ドルと33.00ドルに正規化しており、これは逆のことを示している。どちらの数字も公表されており、どちらも間違っていない。両者は異なるものを測っている。そして、そのすり合わせこそ、移行を計画している人にとってこの比較の中で最も有用な部分である。

アップグレードで実際に変わったこと

3.8世代は単なる再調整ではない。3つの面が実質的に変わった。

• ボイス数とボイス作成 — 3.1 Flash TTS はプリビルトのボイスセットを搭載していました。3.8 Flash TTS は Kore や Puck を含む30種類のプリビルトのスタジオボイスを搭載し、さらに自然言語の説明からのボイス設計と、同意確認付きの30秒サンプルからのボイス複製に対応しています。出力には SynthID ウォーターマークと C2PA クレデンシャルが付与されます。ボイスリミックスは提供済みではなく、近日提供予定として記載されています。

• 配信コントロール — 行単位の指示、1回の呼び出し内での2話者シーンの段取り、そして台本にそのまま書き込まれる非言語キュー（<laughs>、<sigh>、<gasp>、|mhm|、|yeah|）。Googleのローンチ資料は、特に3.1と比較して長文の一貫性と2話者スクリプトの制御が向上したと主張している。それは公開された実行結果の伴わないベンダーの主張だ。

• 言語カバレッジ — Flash TTS では130言語、Flash-Lite TTS では101言語に対応し、テキストから自動検出されます。3.1 Flash TTS の公開されているカバレッジはこれより少なくなっています。

構造上の変更は分割だ。3.1 Flash TTS の後継は単一ではなく、二つある。そして Google のドキュメントは Flash-Lite TTS を「主力の置き換え」と位置づけている。これが重要なのは、移行がバージョンアップではなくティアの選択だからだ。安価なティアは、今使っているものの新しいバージョンではない — それは曲線上の別の点なのだ。

なぜ価格が下がったのに、リーダーボードでは上がったと表示されるのか

Googleが公開しているものから始めましょう。それが実際に請求される内容だからです。

• Gemini 3.1 Flash TTS Preview — 入力はテキスト100万トークンあたり$1.00、出力は音声100万トークンあたり$20.00。バッチは$0.50と$10.00。

Gemini 3.8 Flash TTS Standard — 2026年12月31日までは$0.50と$9.00、以降は$1.00と$18.00。BatchとFlexは$0.25と$4.50。Priorityは$0.90と$16.20。

• Gemini 3.8 Flash-Lite TTS Standard — 2026年12月31日までは$0.50と$6.00、その後は$1.00と$12.00。BatchとFlexは$0.25と$3.00。Priorityは$0.90と$10.80。

音声出力の項目だけを見ても、3.8 Flash TTS の $9.00 は、3.1 の $20.00 と比べて55%の削減であり、3.8 Flash-Lite TTS の $6.00 は70%の削減です。プロモーション終了後の $18.00 であっても、Flash TTS は置き換えるモデルを依然として下回っています。それは請求書に載る数字であり、紛れもありません。

さて、リーダーボードです。Artificial Analysisは、異なる単位で課金するモデルを横並びでランク付けできるよう、100万文字あたりの数値を公表しており、この2つについては3.1 Flash TTSが18.30ドル、3.8 Flash TTSが33.00ドルとなっています。これだけを見ると、アップグレードで価格がほぼ2倍になったように読めます。

つじつまが合うのは、文字あたりの料金は価格ではなく換算であり、その換算係数は2つのモデルで同じではないからだ。音声トークンを文字に換算するには、発話速度と音声トークン比率の両方を仮定する必要があり——Googleは音声を出力1秒あたり25トークンで計量する——さらに、どのサービス階層を基準に正規化するかを選ぶ必要がある。もしボードが3.8をプロモーション後の18.00ドルレートで正規化し、一方で3.1を独自の20.00ドルで正規化するなら、両者は十分に近いため、1文字あたりの秒数についての仮定の差が結果を支配する。寛大な発話速度の仮定に基づいて算出された文字あたりの料金は、それが適用されるモデルを有利に見せる。

したがって実務上の指示はこうだ。予算策定には Google のトークン単価を使い、リーダーボードの文字単価は、ボードが同じ方法で測定したモデル間の比率を求める場合にのみ使うこと。両者を混同してはならないし、$18.30-to-$33.00 の変動を値上げとして引用してもならない。それは、2 つのモデルが共有していない正規化による人為的な産物である。

真の移行コストは別物で、それはプロモーション期間です。新しい2つのティアはどちらも、2026年12月31日までは半額で、1月1日から2倍になります。9月の数値に基づいて計画し、11月に実行された移行は、第1四半期に価格が再設定されます。Flash TTSの2027年1月の料金は、音声トークン100万あたり$18.00で、依然として3.1の$20.00を下回っています。つまり、この値下げはプロモ期間を過ぎても実在しますが、今日見えるほどにはるかに小さいものです。

品質の向上、そしてその背景にないもの

アリーナEloは、ここでベンダー以外の誰かによって収集された唯一の数値であり、誤差範囲を上回っている唯一のものでもある。1,199から1,260までの61ポイントで、3.1では3,430サンプル、3.8では1,999サンプル、アリーナの声は7対8。新しいモデルのサンプル数はより少なく、そのため区間が広がるが、それでも範囲は重ならない。

その背後にないもの：アリーナ以外の独立したベンチマークはない。Googleの発表数値 — Hume AI Voice Design Benchmarkで71.4を記録して1位、アクセントモデリングで60.8を記録して1位、FlashとFlash-LiteのHume Overall Quality Indexで1位と2位、そして日本語、ブラジルポルトガル語、ベトナム語、現代標準アラビア語、メキシコスペイン語、ヒンディー語で主張されているブラインド選好の上位入賞 — は、ベンダーが第三者のベンチマークを引用しているものにすぎない。その基となる実行結果は公開されていない。これらは主張として読むべきであり、アリーナの結果と同じ方向を示すが、それに独立した重みを加えるものではない。

非推奨化の疑問、および移行チェックリスト

GoogleはGemini 3.1 Flash TTS Previewの提供終了日を発表していません。同社は、Flash-Lite TTSがその主力となる代替モデルとして位置づけられていると述べており、これは廃止予告の後に続く言い回しではなく、その前に現れる類の表現です。まだプレビューモデルを使っているなら、正しい受け止め方は、対応すべき期限があるのではなく、計画すべき移行があるということです — そして、代替モデルがすでに61 Eloポイントも先行しているモデルにとって、期限を待つのは誤った戦略です。

• ワークロードに必要なティアを確認してください。130言語と完全な配信サーフェスに対応するのがFlash TTS、100万オーディオトークンあたり$6.00で101言語に対応するのがFlash-Lite TTSです。分かれ目となるのは言語リストであり、品質ではありません。

• 2027年1月の料金で再計算してください。プロモーション料金ではなく。Flash TTSではオーディオトークン100万あたり18.00ドル、Flash-Liteでは12.00ドルです。

• ジョブがバッチ処理可能かどうかを判断する。Batch と Flex では、両方のティアで音声レートが半額になる — 100万トークンあたり $4.50 と $3.00。インタラクティブでないものは Standard ティアに置くべきではない。

• ボイスセットに依存していたものはすべて再確認してください。デフォルトのカタログは30種類のプリビルドボイスです。3.1で使用していたボイスは、ボイスデザインまたは30秒の複製サンプルを通じて、作り直す必要があるかもしれません。

• リクエストの形成を再確認してください。3.8 モデルにはリクエストごとの文字数上限は公表されておらず、音声は文字数ではなく秒単位で課金されるため、長い発話は文字数あたりの見積もりが示唆するよりも高くつきます。

• カスタム音声のライフサイクルを計画します。プロジェクトごとに200のステートフル音声で有効期間は1年、またはステートレスなvoicekey_...ハンドルは7日で失効します。

決める間、両方を実行中

プロモーション終了と正規化の不一致を伴う同一ファミリー内のアップグレードは、まさに一足飛びに切り替えるべきではないケースです。OrcaRouter は現在、旧モデルをルーティングしています——models/google/gemini-3.1-flash-tts-previewは当社のモデル一覧に掲載されています——そのため、本番パスを移行する前に、新モデルをその横で立ち上げ、自社のトラフィックで比較できます。Gemini 3.8 TTS のエンドポイントは当社ではホストしていません。それらは Google 自身の API から提供されます。当社が提供するのは、200 以上のモデルにわたる単一のキーを、プロバイダーの定価で、マークアップなしでです。そのため、ベンダーの料金変更は更新時ではなく当日に請求へ反映され、また自動フェイルオーバーにより、まったく新しいモデルを顧客向けパスをそれに賭けることなく試せるものになります。

注目すべきは、Googleが3.1 Flash TTSプレビューに日付を付けるかどうかだ。そのたった1行のドキュメントは、この記事にあるどのベンチマークよりも移行計画にとって価値があり、しかもまだ書かれていない。