generate_speech
Generates WAV speech from text with Gemini TTS, letting you design or reuse voices by description, scene, or style for consistent narration.
Instructions
文章を、指定した声（または場面に合う声）で読み上げた音声（WAV）を生成する。
声の決め方（上ほど優先。どれも無ければ既定のプリビルトボイス）:
voice_description: どんな声にしたいかを自然文で説明する（ボイスデザイン）。 初回はその説明から声を作成して保存し、2 回目以降は同じ説明なら同じ声を再利用する。 例: "明るく元気な 20 代女性。少し早口でハキハキした声"
voice: プリビルトボイス名（例: Kore, Puck, Zephyr。list_voices / list_models で確認） または design_voice で作った voice_id（voice_...）。 voice と voice_description の両方なら、voice を元に説明どおりに変えた声を作る（リミックス）。
scene: 用途・場面（例: "AWS のイベントでのプレゼン"）。場面に合う声と話し方を自動で考える。 プランはキャッシュされ、同じ scene なら何度呼んでも同じ声・話し方になる（スライドごとに 分けて生成しても声が揃う）。voice / voice_description / style を指定した部分はそちらが優先。
Args: text: 読み上げる文章（言語は自動判定）。強調したい語を大文字にする、句読点や「…」で間を作る、 などのタグ（英語表記）を文中に 入れると一瞬の笑い・ため息・間を表現できる。 scene: 音声を使う場面・用途・聞き手（任意）。例: "AWS のイベントでのプレゼン。聴衆はエンジニア数百人"。 voice_description: どんな声にしたいかの説明（年齢・性別・声質・雰囲気など恒常的な特徴）。 voice: プリビルトボイス名、または voice_... の ID。 style: 話し方の指示（任意。感情・速さ・抑揚・声量など、その場の話し方）。 例: "嬉しそうに、ややゆっくり" / "whispered urgently"。本文には混ぜずにここへ書く （本文に書くと読み上げられてしまう）。短い方が効果的。scene より優先。 enhance_text: True なら本文に間・息継ぎのタグ（ 等）を自動で入れてから読み上げる （言葉は変えない。変わってしまった場合は元の文章のまま読む）。 out_path: 出力先ファイルパス（.wav）。省略時は GEMINI_TTS_OUT_DIR に自動命名で保存。 gender: 話者の性別（任意。female / male / neutral。声を作るとき・scene のプランに使う）。 language_code: 主言語（任意。例: ja-JP。声を作るとき・scene のプランに使う）。 model: 使用モデル（任意）。gemini-3.8-flash-tts（既定）/ gemini-3.8-flash-lite-tts（速い・安い）。 環境変数 GEMINI_TTS_MODEL 設定時はこの引数は無視。 sample_rate: サンプルレート（24000（既定）/ 16000 / 8000）。 replan: True なら scene のプランをキャッシュせずに考え直す（声も変わる）。 project_id: プロジェクトID上書き（任意。クォータ帰属用）。
Returns: success / out_path / files / duration_sec / voice / voice_source / voice_id / style / scene_plan（scene 指定時: 声の設計・話し方・理由）/ text_used（enhance_text 時）/ model / project_id voice_id（voice_...）を次回 voice に渡すと、同じ声で読み上げられる。
Tool call template
Replace each placeholder with a value matching the input schema. Only required parameters are included; add optional parameters as needed.
{
"id": 1,
"jsonrpc": "2.0",
"method": "tools/call",
"params": {
"arguments": {
"text": "<text>"
},
"name": "generate_speech"
}
}Input Schema
| Name | Required | Description | Default |
|---|---|---|---|
| text | Yes | ||
| model | No | ||
| scene | No | ||
| style | No | ||
| voice | No | ||
| gender | No | ||
| replan | No | ||
| out_path | No | ||
| project_id | No | ||
| sample_rate | No | ||
| enhance_text | No | ||
| language_code | No | ||
| voice_description | No |
Output Schema
| Name | Required | Description | Default |
|---|---|---|---|
No arguments | |||