トップ / Gemini / Gemini TTSでYouTubeのナレーションを作った|日本語の声4つを聞き比べ・料金は2027年1月に2倍へ【2026年10月】
編集・効率化

Gemini TTSでYouTubeのナレーションを作った|日本語の声4つを聞き比べ・料金は2027年1月に2倍へ【2026年10月】

公開 2026.10.10 / 更新 2026.10.15
この記事の結論
  • Gemini TTSは、文章を読み上げてくれるGoogleのAI音声です。日本語に対応していて、声は30種類から選べます
  • 同じ台本を4つの声で読ませて聞き比べ、YouTubeのナレーションには「Gacrux」を選びました
  • 料金は2027年1月1日から2倍になります(音声の出力が100万トークンあたり9ドル→18ドル)。無料枠もありますが、入力した内容はGoogleの改善に使われます

私はYouTubeで、心理学をテーマにしたチャンネルを毎日更新しています。5分ほどの動画で、ナレーションはAIの音声です。

2026年10月からは、Googleの「Gemini TTS」を使っています。TTSは「Text to Speech」の略で、文章を読み上げてくれる仕組みのことです。

この記事では、Gemini TTSで実際にナレーションを作って分かったことをまとめます。4つの声を聞き比べた結果も載せます。

Gemini TTSとは

GoogleのAI「Gemini」の、読み上げ専用のモデルです。2026年10月10日に公式ドキュメント(英語版)で確認した内容はこうでした。

項目 内容
今のモデル Gemini 3.8 Flash TTS(高品質)/Gemini 3.8 Flash-Lite TTS(安い)
日本語 対応(Flash TTSは130以上の言語)
声の種類 用意された声が30種類。ほかに、もっと多くの声のライブラリもある
口調の指定 「穏やかに、ゆっくり」のように文章で指示できる
間やため息 本文に <short pause> や <sigh> のようなタグを入れられる(タグは英語で書く)
2人の会話 1回で2人までの掛け合いを作れる
できあがる音声 WAV(24kHz・モノラル)
私は、「Gemini API」という開発者向けの仕組みからGemini TTSを使っています。APIキー(使うための鍵)を発行して、台本のテキストを送る小さなプログラムで動かしています。

4つの声を聞き比べた

30種類の声には、それぞれ「Warm(温かい)」「Gentle(やさしい)」のような説明が付いています。40〜60代の方に向けた、落ち着いた語りに合いそうな4つを選んで、同じ台本を読ませました。

口調の指定も、4つとも同じです。

40〜60代の視聴者に向けて、穏やかに、ゆっくり、寄り添うように語りかける。押しつけず、温かく。

Gemini TTSの4つの声の波形

声 公式の説明
Sulafat Warm(温かい)
Vindemiatrix Gentle(やさしい)
Achernar Soft(やわらかい)
Gacrux Mature(落ち着いた)

(日本語は、公式の英語の説明を私が訳したものです)

聞き比べて、ナレーションにはGacruxを選びました。今も毎日この声で作っています。

同じ台本でも、読み終わるまでの長さは声によって少し違いました(23.1秒〜24.6秒)。

実際に作ったナレーション

10月6日から10日までに作った本編のナレーションです。すべてGacruxです。

回 長さ
第11話 6分26秒
第12話 5分5秒(台本1,613字)
第13話 5分2秒

長い台本は、一度に全部は送らず、段落ごとにいくつかに分けて送り、できた音声を最後に1本につないでいます。

使ってみて気をつけていること

1. 読み間違いは、最後は耳で確かめる

AIの音声は、まれに台本にない言葉を足したり、読みを間違えたりすることがあります。

私は、できた音声と台本をGeminiに照らし合わせてもらう確認もしています。第12話では1か所「台本にない言葉が入っている」と指摘されましたが、確かめると次の行の書き出しを読んでいただけで、指摘のほうが間違いでした。

機械の確認は便利ですが、それだけに頼らず、最後は人の耳で聞くようにしています。

2. 行と行の間の「無音」が、息つぎで細かく割れる

段落や行の切れ目に入る無音が、ときどき息つぎの音で2つに割れることがありました。無音の位置を目印に字幕を区切っていたので、ショート動画で字幕がずれる原因になりました。字幕を自動で付ける人は、気をつけたほうがいいところです。

3. 無料枠の内容は、Googleの改善に使われる

Gemini TTSには無料枠があり、私は今のところ無料枠で使っています。

ただし公式の料金ページには、無料枠で送った内容はGoogleの製品の改善に使われると書かれています。人に見せたくない台本を読ませるときは、有料のプランにするかどうかを考えたほうがいいです。

4. AIの音声だと書いておく

YouTubeの概要欄には、毎回「ナレーション:AI音声(Google Gemini)」と書いています。

料金:2027年1月1日から2倍になる

公式の料金ページ(2026年10月10日に確認)では、有料で使ったときの料金はこうなっていました。

モデル 2026年12月31日まで 2027年1月1日から
Flash TTS:音声の出力 100万トークンあたり 9ドル 18ドル
Flash-Lite TTS:音声の出力 6ドル 12ドル
どちらも:テキストの入力 0.5ドル 1ドル

どの料金も、2027年1月1日からちょうど2倍になります。 有料で大量に使う予定がある人は、年内のうちに使い方を固めておくといいと思います。

「トークン」は、AIが使う量の単位です。音声の長さが何トークンになるかは、今回確認した公式ページには書かれていなかったので、ここでは「5分でいくら」という計算は載せていません。
追記(10月15日):公式の料金ページに「音声1秒=25トークン」と書かれていて、実際に呼び出しても一致しました。5分なら約0.068ドルです(Gemini TTSの料金を計算した記事)。

まとめ

  • Gemini TTSは日本語に対応したGoogleのAI音声。声は30種類
  • 同じ台本で4つの声を聞き比べて、私はGacruxを選んだ
  • 口調は「穏やかに、ゆっくり」のような文章で指定できる
  • 読み間違いは最後は耳で確認、無料枠の内容はGoogleの改善に使われる
  • 料金は2027年1月1日から2倍

参考にした資料

🔍 検証した日・バージョン:2026年10月6日〜10日に実際に使用(gemini-3.8-flash-tts・無料枠)/料金と仕様はGemini APIの公式ドキュメント(英語版)を2026年10月10日に確認
ガイドに戻る

✨ Gemini 完全ガイド

GoogleのAI「Gemini」のモデルの選び方、スキルやノートブック、ファイル作成、画像・音楽・音声づくりまで、公式の英語版ヘルプと、Google AI Proのアカウントで実際に試した記録からまとめました。