AIツール
読了 7分

Gemini TTSナレーション日本語｜読み間違いと声クローン注意点

目次

ブログの音声版やYouTubeのナレーションをAIの声で作れないか、と考えて「Gemini TTS ナレーション 日本語」を調べている方に向けた記事です。9月に出たGemini 3.8 Flash TTSは、発表を読むだけだと「何でもできそう」に見えます。ただ、実際にナレーションとして公開するとなると、日本語の読み間違い、長文での声のばらつき、声のクローンの扱いで手が止まります。

この記事では、発表内容を事実ベースで整理したうえで、公開前に確認しておきたい3点を順に説明します。

結論：使えるが、公開前に3つ決めておく

Gemini 3.8 Flash TTSは、日本語を含む100以上の言語・方言に対応し、2,000種以上の声から選べる音声生成モデルです。Google AI Studioで試せるので、まず数分の原稿で聞いてみる価値はあります。

そのうえで、公開前に次の3つを決めておくと、後戻りが減ります。

  • 読みの確認手順：固有名詞・数字・記号は、公開前に耳で確認する
  • 声の扱い：自分の声のクローンを作るのか、用意された声を使うのか。他人の声は本人の同意なしに作らない
  • 公開先のルール確認：YouTubeなどの開示ルール、商用利用の条件を、公開時点の最新の規約で確認する

以下、順に説明します。

Gemini 3.8 Flash TTSの事実整理

発表は米国時間で2026年9月23日、日本では24日に報じられました。モデルは2種類あります。

項目Flash TTSFlash-Lite TTS
位置づけ表現力を重視大量処理・低コスト向け
主な想定用途ゲーム、オーディオブック、ポッドキャスト吹き替え、音声エージェント、一括生成

共通の特徴は次のとおりです。

  • 100以上の言語・方言、2,000種以上の声に対応
  • 文章で声の特徴（キャラクター、アクセント、話し方）を指定して、新しい声を作れる
  • 約30秒の音声サンプルから声を再現するクローン機能がある（本人の同意が必要）
  • 生成されるすべての音声にSynthIDの透かしが入る
  • 試せる場所はGoogle AI StudioとGemini API。Gemini NotebookやGoogle Vidsにも順次入ると報じられている

料金と無料枠

Gemini APIの公式料金ページでは、音声出力は次の単価です（有料枠、100万トークンあたり）。

〜2026年12月31日2027年1月1日〜
Flash TTS$9.00$18.00
Flash-Lite TTS$6.00$12.00

つまり、2027年に入ると単価が2倍になります。大量に作る予定なら、この改定は見込んでおいてください。

無料枠もありますが、無料枠では入力した内容が製品改善に使われる扱いです。公開前の未発表原稿や、取引先の情報を含む台本は、無料枠に入れない方が安全です。料金は変更される可能性があるため、作業前に公式ページで確認してください。

日本語の読み間違いを見つけて直す手順

日本語で試した記事では、金額（1,280万円）、割合（12.5%）、日付、時刻といった数字はおおむね正しく読まれたと報告されています。一方で、読みに癖が出やすいのは次の場面です。

固有名詞・難読の人名：「東海林」を誤って読んだ例が報告されています。対処は、本文中で「東海林（しょうじ）」のようにふりがなを添えるか、ひらがなで書くことです。難読の人名は、読みが合っていてもイントネーションが不自然になることがあります。

記号：山括弧（＜ ＞）は、咳や息づかいなどの効果音を指定する記法として解釈されることがあります。「A＜B」のような不等号は「A未満」と言葉に直してから生成します。

指示文が読み上げられる問題：3.8では、本文に書いた演技の指示が、そのまま読み上げられる場合があると報告されています。読ませたい文章だけを本文に置き、「落ち着いたペースで」といった指示は、スタイルを指定する欄に分けます。

確認は「耳」で行う

読みの確認を、音声認識の書き起こしで済ませるのはお勧めしません。医療用語で試した例では、音声自体は正しく読まれていても、書き起こし側で同音の別語に変換されて「誤読」に見えることがありました。正誤の判定は、実際に聞いて行います。

確認の流れは次の形が現実的です。

  1. 原稿の中から、固有名詞・数字・専門用語・記号を洗い出す
  2. その部分だけを短く生成して聞く
  3. 誤読があれば、ふりがな併記・ひらがな・言い換えで直す
  4. 直した原稿で全体を生成し、通して聞く

長文ナレーションを分割して作るときの声ブレ対策

長い原稿は、1回で生成するより、段落や場面ごとに区切る方が扱いやすくなります。直したい箇所だけ作り直せるからです。ただし、区切ると声のトーンが揃わなくなる心配が出ます。

対策は、区切っても条件を変えないことです。

  • 同じ声を使い続ける：作成した声にはIDが振られます。公式ドキュメントでは、保存した声は1年間保持され、1プロジェクトあたり200個までとされています。台本と一緒に声のIDを記録しておくと、後日の再収録で同じ声に戻せます
  • スタイルの指示文を固定する：区切りごとに書き直さず、同じ文面を使い回す
  • 区切りの単位を揃える：文の途中で切らず、段落や見出しの単位で区切る
  • つなぎ目を聞く：区切りの前後は、必ず通しで聞く

「自分の声のクローン」で決めておくこと

声のクローンは、自分の声でナレーションを量産したい人には魅力的な機能です。使う前に、次の点を決めておきます。

本人の同意が前提：クローンの作成には、声の持ち主本人による同意の録音が必要で、その声が参照音声と同一人物かどうかが照合される仕組みだと報じられています。自分の声であれば手順を踏むだけですが、他人の声は、本人の同意なしに作らないでください。有名人や知人の声を「似せて」作る使い方も避けます。

声を預ける範囲：クローンした声は、Googleのプロジェクト内に保存されます。保存期間は先ほどの1年が基本で、暗号化した鍵を自分で管理する方式では7日で失効する、と公式ドキュメントに記載があります。どちらで運用するか、最初に決めます。

声優やナレーターに依頼する場合：依頼先の声を学習・クローンに使うなら、出演契約にその利用への同意を明記しておく必要があります。声の特徴が個人を識別できる情報に当たりうるとの解説もあるため、契約や個人情報の扱いは、必要に応じて専門家に確認してください。

公開前の確認：SynthID・YouTubeの開示・商用利用

SynthIDとC2PA

生成された音声には、人の耳では分からない透かし（SynthID）が入ります。クローンした声では、音声の由来を示すC2PAのコンテンツ認証情報も付くと報じられています。ソフトウェアで検出できる仕組みなので、AI生成であることを隠す運用は想定されていません。最初から、AI音声であることを示す前提で公開の仕方を決めておくと迷いません。

YouTubeでの開示

YouTubeのヘルプには、改変・合成コンテンツの開示についての説明があります。現在の記載では、視聴者が現実と取り違えるおそれのある、リアルな合成コンテンツが開示の対象です。一方、クローンした自分の声でナレーションや吹き替えを作る場合は、開示の対象外の例として挙げられています。

ただし、実在の人物が言っていないことを言ったように見せる音声は、開示の対象になりえます。他人の声を似せて作らない、という先ほどの線引きは、開示ルールの面からも意味があります。ルールは更新されるので、投稿前にヘルプの最新版を読んでください。

商用利用

ブログや動画で収益を得る場合は、商用利用の条件を、利用するサービスの最新の規約で確認します。無料枠と有料枠でデータの扱いが違う点も、あわせて見ておきます。この記事は、規約の内容を保証するものではありません。

副業・動画で始める最小手順

最初の1本は、次の順で作ると、つまずきが少なくなります。

  1. 1〜2分の短い原稿を用意する（自分で書いた文章が扱いやすい）
  2. Google AI Studioで、用意された声から数種類を聞き比べる
  3. 固有名詞と数字の部分だけ、先に読みを確認する
  4. 指示文はスタイル欄に、読ませる文章は本文に分ける
  5. 通して聞き、直したい箇所だけ作り直す
  6. 動画にはめ込み、公開先の開示ルールを確認してから投稿する

クローンや大量生成は、この1本で感触をつかんでから検討して遅くありません。

よくある質問

Q. Flash TTSとFlash-Lite TTSはどちらを選べばよいですか？
表現力を重視するナレーション、ポッドキャスト、オーディオブックはFlash TTS、量が多く単価を抑えたい吹き替えや音声応答はFlash-Lite TTSが想定用途として挙げられています。日本語での聞こえ方は、同じ原稿で両方を聞き比べて決めるのが確実です。

Q. 無料で使ったナレーションは商用で使えますか？
この記事では断定できません。無料枠では入力内容が製品改善に使われる扱いであることと、商用利用の条件は、公開時点の公式規約で確認してください。

Q. 他人の声や有名人の声を作れますか？
クローンには声の持ち主本人の同意録音が必要な仕組みです。同意なしに他人の声を作る使い方は行わないでください。

Q. 読み間違いはどのくらい起きますか？
原稿の内容によります。固有名詞や難読の人名は誤読が報告されていて、数字は概ね正しく読まれたとの報告があります。公開前に耳で確認する手順を入れておけば、多くは修正できます。

Q. YouTubeにAI音声だと表示する必要はありますか？
現在のヘルプでは、クローンした自分の声によるナレーションは開示の対象外の例に挙がっています。ただし、実在の人物を本物のように見せる音声は対象になりえます。投稿前にヘルプの最新版を確認してください。

まとめ

Gemini 3.8 Flash TTSは、ナレーション制作の選択肢として試す価値があります。公開まで進めるなら、耳で行う読みの確認、声の保存と同意の扱い、公開先の開示・商用の規約確認、の3点を先に決めておきます。まずは1〜2分の原稿でAI Studioを試し、読みの癖をつかむところから始めてください。

※料金・仕様・規約は執筆時点（2026年9月30日）の情報です。最新の内容は公式サイトでご確認ください。

関連記事