Gemini 3.5 Transcribeの音声編集で文章を声で直す方法|リールのキャプション原稿に使う時の条件【2026】
Gemini 3.5 Transcribeの「音声編集」は、直したい文章と「2文目を消して」「もっと丁寧に」といった声の指示を渡すと、直した後の文章全体が返ってくる機能です。
2026年11月17日にGemini APIの変更履歴へ追加されました。
アプリの操作ではなく、APIから呼ぶ開発者向けの機能です。
リールのキャプション原稿の直しにも当てはめられますが、日本語での出来栄えは公式ページに書かれていないため、使う前に自分の文章で試して確かめる前提になります。
2026年11月21日にGoogleの公式ページ(変更履歴・文字起こしのガイド・料金)の本文で確認できたことと、キャプション原稿づくりに使うかどうかの決め方をまとめます。
先に結論をまとめます。
- できること:直したい文章(
source_text)と声の指示を渡し、直した後の全文を受け取る
- 使う場所:Gemini API(モデル名は
gemini-3.5-transcribe)。Gemini アプリの機能ではない
- 必要な設定:
modeをsmart(スマート書き起こし)にする。source_textは64 KiBまで
- 日本語:対応言語の一覧に
ja-JPはあるが、日本語での音声編集の精度は公式に記載なし
- 料金:無料枠は無料、有料枠は音声入力100万トークンあたり2.00ドル・出力12.00ドル(11月21日確認)
- 使い方の目安:キャプションの下書きを先に作り、声での直しは仕上げの調整に使う(編集部の提案)
声で文章を直す機能とは
Gemini 3.5 Transcribeは、音声を文字にするためのGoogleのモデルです。
変更履歴の2026年11月17日の項目に、gemini-3.5-transcribeと、リアルタイム用のgemini-3.5-transcribe-liveが、声による編集・書き換え・整形に対応したと書かれています。
文字起こしのガイドでは、音声編集を次のように説明しています。
- 話した内容を書き取りながら、同じ録音の中で「ここを直して」と声で指示できる
- すでにある文章を
source_textとして渡し、その文章を声の指示で直すこともできる
- 話した言葉をそのまま書くのではなく、指示を反映した後の全文を
output_textとして返す
つまり、ふつうの文字起こしと違い、返ってくるのは「声の内容」ではなく「直した後の文章」です。
リールの音声をそのまま書き起こしたい場合は、別の使い方になります。
使う前に確認する条件
公式ページに書かれている条件を、知りたいことごとに並べます。
| 知りたいこと |
2026年11月21日に確認した公式の記載 |
| どこで使うか |
Gemini API。ガイドのサンプルはPython・JavaScript・REST。APIのバージョンはv1betaと指定している |
| 使うモデル |
gemini-3.5-transcribe(音声ファイル用)。gemini-3.5-transcribe-live(リアルタイム用)も対応 |
| 音声編集のオン |
modeがsmartのとき、既定で有効 |
| 既存の文章を直す時 |
modeを{"type": "smart", "source_text": "…"}の形にする。source_textは最大64 KiB(65,536バイト) |
| 一緒に使えない機能 |
スマート書き起こしは、単語ごとの時刻(timestamp_granularities)と話者の区別(diarization_mode)と同時に使えない |
| 音声の長さ |
1回のリクエストで最長1時間(ガイドの記載) |
| 対応言語 |
85以上のロケール。日本語(ja-JP)が一覧にある。言語を指定するときはlanguage_codesに書く |
| 料金 |
無料枠は無料。有料枠は100万トークンあたり、音声入力2.00ドル・出力12.00ドル(目安は1分あたり約0.005ドル) |
| 入力内容の扱い |
料金ページでは、無料枠は「製品の改善に使われる」が「Yes」、有料枠は「No」 |
Gemini 3.5 Transcribe自体の使い方や料金・制限の全体像は、Gemini 3.5 Transcribeとは|文字起こしの使い方・料金・制限で紹介しています。
日本語のキャプション原稿を声で直す手順
ここでは、ガイドに載っているPythonのサンプルを土台に、キャプション原稿を直す流れを示します。
文章は編集部が作った架空の例です。
Gemini APIのキーを用意し、サンプルが読み込んでいるPythonのライブラリ(from google import genai)が使える状態にしてあることが前提です。
インストール方法は、公式のガイドで確かめてください。
- 直したいキャプションの下書きを、文字で用意する(ChatGPT・Claude・Geminiなどに作らせた下書きでもよい)
- 直し方を声で話して、音声ファイルにする(例:
edit_command.mp3)。1回の指示は短くする
- 次のように、下書きを
source_textに入れて呼び出す
from google import genai
client = genai.Client(http_options={"api_version": "v1beta"})
audio_file = client.files.upload(file="edit_command.mp3")
caption = "新作のいちごタルトが今日から並びます。数に限りがあります。ぜひお越しください。"
response = client.interactions.create(
model="gemini-3.5-transcribe",
input=[
{
"type": "audio",
"uri": audio_file.uri,
"mime_type": audio_file.mime_type,
}
],
generation_config={
"transcription_config": {
"mode": {
"type": "smart",
"source_text": caption,
}
}
},
)
print(response.output_text)
output_textに返ってきた全文を、自分で読む。意味が変わっていないか、数字や日付が合っているかを確かめる
- さらに直したいときは、返ってきた全文を次の呼び出しの
source_textにして、もう一度声で指示する
5の手順が必要なのは、公式ガイドが「通常のリクエストは1回ごとに独立していて、source_textは自動では引き継がれない」と説明しているためです。
リアルタイム用(Live API)のスマートモードでは、複数回の音声編集が既定で使えると書かれています。
声で出せる指示の種類
ガイドには、音声編集でできる直し方の例が5種類載っています。
次の表は、公式の例の種類に、キャプション原稿での使い方(編集部の提案)を並べたものです。
| 直し方の種類(公式の例の分類) |
声の指示の例(架空) |
キャプションでの使いどころ(編集部の提案) |
| 一部の言葉の置き換え |
「『数に限りがあります』を『なくなり次第終了です』に変えて」 |
条件の言い方をそろえる |
| 口調・文体の変更 |
「もう少しやわらかい言い方にして」 |
店の雰囲気に合わせる |
| 形式の整え |
「お知らせの3点を箇条書きにして」 |
長いお知らせを読みやすくする |
| 文章の追加 |
「最後に、予約はプロフィールのリンクからと足して」 |
抜けていた案内を足す |
| 削除 |
「2文目を消して」 |
重複した文を落とす |
公式の例は、どれも英語の文章と英語の指示です。
日本語の文章で、同じように狙った場所だけを直してくれるかは、公式ページに書かれていません。
判断の例(架空の例)
次は、編集部が作った架空の例です。
実際にAPIで試した出力ではなく、使い方の流れを示す完成イメージです。
- 店:住宅街の小さな焼き菓子店「すみれ堂」(架空)
- 下書き:「新作のいちごタルトが今日から並びます。数に限りがあります。ぜひお越しください。」
- 声の指示:「数に限りがあるの文を、なくなり次第終了ですに変えて。最後に、土日は午前中に売り切れることがありますと足して」
- 直った後の文章(イメージ):「新作のいちごタルトが今日から並びます。なくなり次第終了です。ぜひお越しください。土日は午前中に売り切れることがあります。」
この例では、「売り切れることがあります」は店が自分で確かめている事実だけを足すものとします。
AIに言わせた根拠のない言い回しを足すと、投稿の内容が実際と違ってしまうためです。
使う前の注意
- 無料枠の入力は製品の改善に使われる:料金ページに、無料枠は「製品の改善に使われる」、有料枠は使われないと書かれています。お客様の名前・連絡先・予約内容を含む文章や音声は、無料枠のキーで送らないでください
- 日本語の精度は未確認:公式の記載は、対応言語の一覧に日本語があるところまでです。固有名詞や数字は、直した後に自分で見比べてください
- 投稿前に人が読む:直した後の文章で、価格・営業時間・日付が変わっていないかを確かめます。これはAIの出力をそのまま投稿しないための確認です
- 公式ページを先に見る:
v1betaの機能なので、書き方が変わることがあります。最新の指定方法は文字起こしのガイドで確かめてください
動画の音声そのものを文字にして、キャプションやテロップの材料にしたい場合は、Gemini API CLIでリール動画を文字起こしする方法で手順を整理しています。
キャプション原稿づくりに使うかの決め方
ここからは、公式の記載をもとにした編集部の提案です。
時間が短くなる・投稿が伸びることは約束しません。
| 状況 |
使うか(編集部の提案) |
理由 |
| すでにAPIを使う環境がある |
小さな文章で試してみる |
source_textを渡すだけで呼び出せる |
| APIキーを作ったことがない |
先にチャットのAIで直す |
声で直す前に、キーの管理が必要になる |
| 直す箇所が1〜2か所 |
文字で打ち直したほうが早いことがある |
声の指示の録音と確認の手間が増える |
| 何度も口調を変えて見比べたい |
試す価値がある |
返ってきた全文を次の入力に回せる |
| お客様の個人情報を含む |
使わない |
無料枠の入力は製品の改善に使われる |
よくある質問
Gemini 3.5 Transcribeの音声編集は、いつから使えますか?
Gemini APIの変更履歴に、2026年11月17日の項目として「Voice editing in Gemini 3.5 Transcribe」が載っています。
GeminiアプリやGoogleアカウントだけで使えますか?
公式ページに書かれているのはAPIでの使い方です。
アプリでの提供については、今回確認した公式ページに記載がありません。
無料で使えますか?
料金ページでは、gemini-3.5-transcribeの無料枠は無料と書かれています。
ただし、無料枠の入力は製品の改善に使われると書かれているため、個人情報を含む内容は送らないでください。
日本語でも使えますか?
対応言語の一覧に日本語(ja-JP)があります。
音声編集が日本語の文章をどこまで正確に直すかは、公式ページに書かれていないため、自分の文章で試して確かめてください。
何度も続けて直せますか?
音声ファイルを渡す通常のリクエストでは、1回ごとに独立しています。
続けて直すときは、返ってきた全文を次のsource_textに入れてください。
運用全体の見直しも考えたいとき
文章の直し方を決める前に、運用全体のどこから見直すかを整理したい場合は、登録前に試せる無料診断を利用できます。
Instagram・SNS運用の1問無料診断で、今の運用タイプと最初に見直す点を確認する
診断は選択した回答をもとに改善案を表示するもので、Gemini 3.5 Transcribeの設定を確認・代行する機能ではありません。
参考にした公式の情報
公開日:2026-11-21
最終更新:2026-11-21
執筆:S.Earch編集部(AIを利用した原稿作成)。
運営:株式会社S.Line。
上の公式情報(2026年11月21日確認)に基づく解説です。
すみれ堂の例と声の指示は編集部が作った架空の例で、使うかどうかの決め方は編集部の提案です。