詳細ガイド
Google AI Studioのオーディオブックにできること・できないこと
Google AI StudioのオーディオブックはDIY作業です。Googleの音声プレイグラウンドにテキストを貼り付けるとGemini TTSの音声が読み上げ、クリップをダウンロードできます。音声は現行最高水準の一つで、無料枠は費用ゼロ。短編やサンプル章なら、これで十分かもしれません。
一冊の本となると、作業の中心は「間」の部分にあります。Gemini TTS は1リクエストにつき最大2話者までしか扱えず、入力は一度に約8kトークンまで、章の概念もありません。このガイドでは、手順、2026年10月時点のGoogle公式ドキュメントに基づく制限、それを回避するための結合方法、そして人気チュートリアルが犯している公開時のミスを1つ取り上げます。
Google AI Studioの音声生成でできること
Google AI StudioはGemini APIのブラウザ上のプレイグラウンドで、その音声モードはGoogle AI Studioのテキスト読み上げを試す最速の方法です。Googleのドキュメントでは、何かを構築する前にそこでモデルをテストすることを推奨しています。TTSモデルは4つ挙げられています。Gemini 3.8 Flash TTSと3.8 Flash-Lite TTS(2026年9月更新)、さらに3.1 Flash TTS Previewと2.5 Pro Preview TTSです。3.8 Flashは130以上の言語に対応し、テキストの言語を自動検出します。
話し方は平易な英語で指示できます。「明るく親しみやすく」といったスタイル指示は1ターンに適用され、Googleは<laugh>、<sigh>、<whispering>のような山括弧で囲んだインラインの音声イベントを文書化しています。事前構築済みの声が30種類に加えて拡張ライブラリがあり、AI Studioでは音声デザインや音声複製も利用できますが、書籍向けツールでは提供されない場合があります。
ステップバイステップ:AI Studioで1章を生成する
まず章を分割します。各リクエストは入力8,192トークン、出力16,384トークンまでなので、章をシーン区切りで1リクエストに収まる長さに切ります。クリップが途中で止まる場合は、さらに短くしてください。次に、各部分ごとにナレーション用の単一話者を選び、声を選び、ナレーター用のスタイル指示を書き、テキストを貼り付けて実行し、音声をダウンロードします。
各部分のモデル、声、スタイル指示を記録しておきましょう。出力は実行ごとに変わるため、すべての設定が一致していないと、シーン1では温かみのあるナレーターがシーン3ではそっけなく聞こえることがあります。次に進む前に各クリップを聴いてください。つなぎ合わせた本は、単一のクリップよりも修正がはるかに難しいです。
制限:2話者、入力長、1日の上限
GeminiのマルチスピーカーTTSは、ほとんどのフィクションが壁にぶつかるポイントであり、Googleのドキュメントは明確です。「単一リクエストのマルチスピーカー生成は…事前構築済みの声を使用して最大2話者をサポートします」。それ以上は、各話者のターンを個別に合成するよう指示されています。ナレーターと3人のキャラクターがいるシーンはすでに4話者なので、ほとんどのフィクションはターンごとに生成することになります。
1日の上限はさらに特定しにくいです。TTSモデルは無料枠では無料ですが、Googleのレート制限ページには現在、制限はAI Studioで確認できるとしか書かれておらず、2026年のコミュニティ報告では一部のTTSモデルの無料枠が1日10リクエストまでとされています。無料枠の入力と出力はGoogle製品の改善に使用され、3.8 TTSモデルの有料価格は2027年1月1日に2倍になります。
章の結合と3人以上のキャラクターのキャスティング
フルキャストを手作業で音声化するには、章を1行ずつ見ていきます。各行を誰が話すかを決め、その話者の声で各行を生成し、音声エディタでクリップを順番に組み立てます。Googleは、各WAVレスポンスには44バイトのヘッダーが付くので、コードでファイルを結合する前に削除する必要があると述べています。その後、章マーカーを追加し、ラウドネスを均一にしてエクスポートします。
この記録管理(誰が話すか、どの声か、順序、章の開始位置)こそ、マルチボイステキスト読み上げツールが存在する理由です。数十の話者パートがある小説では、数百から数千のクリップになります。チャットボットも検討しているなら、ChatGPTでオーディオブックは作れるかで、原稿をどう扱うかを説明しています。
公開:YouTubeチュートリアルのACXルートがルール違反になる理由
この検索でトップの動画「Google AI Studio: Create an AI Audiobook and Publish It on Audible!」(2025年7月)は、プレイグラウンドの役立つウォークスルーですが、最後のステップで視聴者にACX経由で公開するよう指示しています。そのステップは成立しません。2026年4月15日付のACXの音声提出要件には、オーディオブックは「別段の許可がない限り、人間がナレーションする必要がある」とあり、「ACXタイトルにおけるテキスト読み上げ、AI、自動録音の無許可使用は禁止されています」と明記されています。
Audibleは同じページで、サードパーティのTTSコンテンツを受け入れるよう取り組んでおり、時期は後日共有すると述べているため、これは変わる可能性があります。それまでは、Geminiでナレーションした本をACXにアップロードすると、拒否または削除のリスクがあります。現在のルールについてはAudibleはAIナレーションを受け入れるかを、開示付きでデジタル音声ナレーションを受け入れるルートについてはSpotifyでの公開をご覧ください。
同じGeminiの声を自動キャスティングとM4Bエクスポートで
クリップ管理なしでGemini TTSのオーディオブックを作りたいなら、FullCastBookの標準ボイスはGoogleのGemini TTSで動作しているため、AI Studioで聞くのと同じ系統の音声になります。違いはその周辺の作業です。EPUB、テキストレイヤー付きPDF、DOCX、TXT、Markdownファイルをアップロードすると、章と話者が自動で検出されます。各行はそれぞれの話者の声で生成されるので、2話者の制限に引っかかることはなく、[dry, unimpressed]のような指示もその行のスタイル指示として反映されます。
ブラウザで試聴し、単一行を再生成し、章マーカー付きのM4B、単一のMP3、または章ごとに1ファイルのZIPとしてエクスポートできます。違う声が欲しければプレミアムElevenLabsボイスも利用可能です。登録は無料で、作成にはクレジットを使用します(プランまたは都度チャージ)。1冊分にどれくらいかかるかは料金で確認できます。
出典と日付
2026年10月21日に確認:Googleの音声生成ガイド(2026年10月12日更新)、Gemini 3.8 Flash TTSモデルページ、Gemini API料金ページ(2026年10月19日更新)、レート制限(2026年10月15日更新)とAPI利用規約(2026年4月28日更新)、ACXの音声提出要件(2026年4月15日)。リンクは比較表の下にあります。Googleはこれらのモデルを頻繁に更新するため、長さを問わずGoogle AI Studioでオーディオブックを作る前に制限を再確認してください。





