Gemini API を使用して音声を生成する

Gemini モデルに音声出力を生成するようリクエストできます。Firebase AI Logic を使用すると、モバイルアプリまたはウェブアプリ（Apple（Swift）、Android（Kotlin / Java）、ウェブ（JavaScript）、Flutter（Dart）、Unity アプリなど）から直接このリクエストを送信できます。

生成できる音声の種類は次のとおりです。

TTS と Live API の比較

テキスト読み上げ（TTS）モデルと Live API モデルはどちらも、さまざまなレスポンス音声と言語に構成できる低レイテンシの音声生成モデルです。ただし、ユースケースは大きく異なります。

  • テキスト読み上げ（TTS）生成は、一方向のリクエスト / レスポンス型のインタラクション（テキスト入力、音声出力）です。ポッドキャストのナレーション、オーディオブック、記事の読み上げなど、スタイルと音声をきめ細かく制御して、提供されたテキストを正確に読み上げる必要があるシナリオに合わせて調整されています。

  • Live API 世代は、リアルタイムの音声会話（音声入力、音声出力）の双方向ストリーミングをサポートしています。モデルが返す適切な音声を決定する動的な会話コンテキストに優れています。最新の Live API モデルは、動画と画像の入力もサポートしています。