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】

- 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) |
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。

| 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。
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