Geminiで文字起こしする方法｜アプリとAI Studioの上限・料金の違い

Geminiの文字起こしはアプリとAI Studioで何が違う？

Geminiの文字起こしは「2つの入り口」に分かれている

室谷代表取締役

まず最初に押さえておきたいのが、Geminiで文字起こしすると言っても入り口が2つあるんですよね。普段使うGeminiアプリと、Google AI Studio経由のGemini API。

ここ、同じものだと思われているケースがかなり多いんですよ。

テキトー教師DotAI 認定講師

現場でよく聞くのもまさにそこです。「Geminiに音声を投げれば文字になるんでしょ」で、制限も同じだと思っている人が多い。

初めて触る人が最初に戸惑うのがこの境目なんですよね。

室谷代表取締役

で、この2つ、上限がまったく別物なんですよ。アプリは数分から数時間の単位、APIは1プロンプトで何時間も、という世界。

ここを混同したまま業務の見積もりを出すと、後から齟齬が出ます。

テキトー教師DotAI 認定講師

たしかに。同じ「Geminiで文字起こし」でも前提が違う、と先に腹落ちさせておくと、この先の話がすっと入ります。

Geminiアプリでできること・向いていないこと

テキトー教師DotAI 認定講師

アプリ側は、ファイルをアップロードして分析させる形ですね。音声は合計10分まで、動画は1ファイル2GBで合計5分まで。

Google AI ProかUltraにすると音声が3時間、動画が1時間まで伸びます。

室谷代表取締役

1プロンプトに追加できるファイルは最大10個、音声を含むその他のファイルは1つ100MBまで。このあたりは「ちょっとした打ち合わせの録音を読ませる」くらいなら十分なんですよね。

テキトー教師DotAI 認定講師

逆に向いていないのが、1時間超の会議録音をいくつもまとめて、という使い方です。無料プランの10分は思ったより短いので、長い音源をそのまま投げて「途中で切れてる」となるパターンがあります。

室谷代表取締役

あと、同じ処理を毎回手で回すのが辛い。単発の確認には強いけど、業務フローに組み込む入り口ではないんですよね。

Google AI Studio（Gemini API）でできること

室谷代表取締役

一方のAPI側は前提がかなり違います。音声は1秒あたり32トークン、1分で1,920トークン。

1プロンプトで扱える音声の最大長は9.5時間なんですよね。

テキトー教師DotAI 認定講師

ここは注意が必要で。9.5時間はAPI側の技術的な上限であって、アプリの上限ではないんです。

この2つを同じ表のように並べて書いてある説明も見かけるので、切り分けて覚えたほうがいいです。

室谷代表取締役

機能面もAPIのほうが細かい。話者ダイアライゼーション、タイムスタンプを指定した部分分析、感情検出、JSONでの構造化出力まで用意されている。

議事録として使うなら、ここが効いてきます。

テキトー教師DotAI 認定講師

音声の渡し方も2通りあって、大きいファイルはFiles API、小さいものはインラインでリクエストに含める形です。WAV、MP3、M4A、WebMなど複数形式に対応していて、ファイルサイズの扱いは更新が続いているので最新の公式ドキュメントを見たほうが確実ですね。

どちらを使うべきかの判断基準

室谷代表取締役

判断基準はシンプルで、単発の音声や短い動画をさっと中身にしたいならアプリ。回数が増える、長い、形式がバラバラ、結果をJSONで受け取りたいならAPI、という切り分けなんですよね。

テキトー教師DotAI 認定講師

現場感覚で言うと、最初はアプリで試して「これ毎回やるな」と気づいた時点でAPIに移る流れが自然です。いきなりAPIから入ると、キーや課金の設定でつまずきやすいので。

室谷代表取締役

経営目線で言うと、その「毎回やる」に気づけるかどうかが分岐なんですよ。月に数本ならアプリで十分だし、日次で回るなら人の手間のほうが高くつく。

どちらにせよ上限が別物という前提だけ持っておけば、判断を外さないです。

テキトー教師DotAI 認定講師

その視点は大事ですね。上限を知らずに「足りない」で止まるより、最初から入り口を選べるほうが早いです。

無料でどこまでできる？料金プランと音声の上限

無料プランで文字起こしできる範囲

室谷代表取締役

まず前提として、無料プランでも短い音声の文字起こしは普通にできます。音声は合計10分まで。

会議の冒頭メモや一人語りの録音なら、これで足りるんですよね。

テキトー教師DotAI 認定講師

たしかに。初めて触る人は「無料だと制限がきついんじゃ」と身構えるんですが、10分以内の録音ならそのまま返ってきます。

室谷代表取締役

逆に30分の会議録音を丸ごと放り込もうとすると詰まる。ここで手が止まる人が多い印象です。

テキトー教師DotAI 認定講師

現場でよく聞くのもそこですね。分割して投げるか、プランを上げるかの二択になります。

Google AI Plus・Pro・Ultraで何が変わるか

室谷代表取締役

料金を整理するとこうです。2026年10月時点の公式表示の数字で並べます。

テキトー教師DotAI 認定講師

長時間のアップロードが解放されるのはProかUltraなんですね。ここを見落とすと「Plusに上げたのに音声の扱いが変わらない」となりかねません。

室谷代表取締役

月2,900円で3時間の会議録音が通るなら、時給で換算しても惜しくない。判断は会議の長さと本数で決めればいいと思います。

ただ価格も内容も変わる可能性があるので、申し込み前に公式サイトで確認を。

アプリ側の上限（長さ・サイズ・ファイル数）

室谷代表取締役

アプリ側の数字を並べると、1プロンプトに追加できるファイルは最大10個、音声を含むその他のファイルは1つ100MBまで、動画は1つ2GBまで。長さは音声が合計10分、動画が合計5分です。

テキトー教師DotAI 認定講師

混乱しやすいのが「10個」と「10分」で、これ別物なんですよ。ファイル数は10個までだけど、合計の長さが10分を超えたらアウト、と分けて覚えるといいです。

室谷代表取締役

ZIPは最大10個・合計100MBまでだけど、そこに音声や動画は入れられない。地味に引っかかるポイントなんですよね。

テキトー教師DotAI 認定講師

あと公式ヘルプにも「上限はプラン次第で変わる」と書かれています。古い数字を信じるより、その都度ヘルプを見た方が確実です。

API側の上限（9.5時間・ファイルサイズ・48時間で失効）

室谷代表取締役

一方でAPIは別世界で、1プロンプトあたりの音声の最大長は9.5時間。トークンは音声1秒で32、1分で1,920という設計です。

テキトー教師DotAI 認定講師

ただし音声をインラインで渡せるのは合計20MB未満まで。超えるならFiles APIにアップロード、という切り分けなんですよ。

Gemini API全体では一部のファイル入力でインラインの上限が20MBから100MBに広がったと発表されていますが、音声はデータ種別で条件が違うので、20MB未満と覚えた方が安全ですね。

室谷代表取締役

そのFiles APIも48時間で失効する一時保存。毎回上げ直す前提で組むか、外部URLやGCS登録を使うかで設計が変わるわけです。

テキトー教師DotAI 認定講師

業務で回すならそこが分かれ目ですね。録音してすぐ処理するバッチなら失効はほぼ気にならないですけど、後から参照したくなるなら保存先を別に持つ前提になります。

Geminiアプリで文字起こしするやり方（PC・スマホ）

PCのブラウザ(gemini.google.com)から音声ファイルを渡す手順

1. ブラウザで gemini.google.com を開く
2. プロンプトの入力欄から音声ファイルを添付する（添付ボタンの位置や文言は公式ヘルプで確認を）
3. 「この音声を文字起こしして」とひとこと添えて送る
4. 返ってきたテキストを確認する（うまく読み取れないときは同じファイルを上げ直す）

室谷代表取締役

PCは要するに、ファイルを添付してひとこと頼むだけなんですよね。長いプロンプトを組み立てる必要がない。

テキトー教師DotAI 認定講師

そこなんですよ。初めて触る人が身構えるほど難しくなくて、添付して「文字起こしして」で返ってくる。

ここで拍子抜けする人、けっこういます。

室谷代表取締役

ただ、出てきた文章をそのまま議事録として回せるかは別の話で。そこは後で整える前提で見たほうがいい。

テキトー教師DotAI 認定講師

まず「出てくる」体験を先にしてもらうのが大事で、精度の詰め方は別で考えればいいと思います。

iPhone・Androidアプリで録音ファイルを文字起こしする手順

1. スマホのGeminiアプリを開く
2. 端末に保存してある録音ファイルを添付する
3. 「この録音を文字起こしして」と依頼する
4. 返ってきたテキストをコピーするなどして持ち出す

テキトー教師DotAI 認定講師

スマホのほうが現場で聞かれることが多くて、ボイスメモに録った会議や取材をそのまま渡したい、という使い方ですね。

室谷代表取締役

アプリでも同じようにファイルを添付する形で、ブラウザ版と操作の考え方は変わらないんですよね。

テキトー教師DotAI 認定講師

ただ、スマホはファイルの置き場所が人によって違うので、どこから添付するかで迷う人が多いんですよ。ここは端末のファイルアプリの見え方次第なので、公式ヘルプを見ながらで大丈夫です。

室谷代表取締役

なるほど。手順そのものより前の「ファイルがどこにあるか」で止まる、と。

アップロードでつまずきやすいポイント

室谷代表取締役

ここで効いてくるのが上限で。無料の範囲だと音声は1ファイル100MBまで、長さは合計10分まで。

動画は1ファイル2GBで合計5分。この分数が実務だと地味に引っかかるんですよね。

テキトー教師DotAI 認定講師

現場感覚でも、会議を1本まるごと渡そうとして弾かれた、というのはよく聞きます。10分だと短いですから。

室谷代表取締役

有料プランにすると音声が合計3時間、動画が1時間まで伸びる。あと1プロンプトに追加できるファイルは最大10個で、ZIPには音声も動画も入れられないという制約もあります。

テキトー教師DotAI 認定講師

それと、読み取りに失敗したときは同じファイルを上げ直すのが基本です。長すぎる音声は先に切ってから渡す。

その一手間だけでだいぶ安定します。

Google AI Studio／Gemini APIで文字起こしする手順とプロンプト例

AI Studioに音声をアップロードして文字起こしさせる手順

室谷代表取締役

アプリとは別物で、AI StudioとAPIは「長い音声を一発で処理する」用途に向いてるんですよね。1プロンプトあたり最大9.5時間まで音声を渡せます。

テキトー教師DotAI 認定講師

そこが一番大きい差ですね。1時間の会議録音を丸ごと入れたいのに、アプリ側の上限で止まる、というのはよく聞きます。

室谷代表取締役

手順はこうです。

1. Google AI Studioを開き、Gemini APIのプロンプト画面を用意する
2. 音声ファイルを渡す（大きいファイルはFiles APIにアップロード、小さいファイルはリクエストに直接添付）
3. 「Generate a transcript of the speech.」のような依頼文をプロンプトに入れる
4. 出力をコピーする。Files APIに上げたファイルは48時間で失効するので、元ファイルは手元にも残しておく

テキトー教師DotAI 認定講師

最初に戸惑うのが2番で、アップロードしたファイルが消える前提を知らないまま「昨日上げたファイルがない」となるパターンです。長く回すなら外部URLやGCS登録の話になってきます。

話者分離とタイムスタンプを付けるプロンプト例

室谷代表取締役

APIだと話者ダイアライゼーション、つまり誰が話したかまで取れるんですよ。感情検出もできるので、議事録の下ごしらえとしては十分すぎるくらいで。

テキトー教師DotAI 認定講師

ただ、プロンプトが雑だと話者ラベルが出てこないんですよね。実際に使ってるのはこの形です。

この音声をJSONで出力してください。
各要素に speaker（話者ラベル）、start / end（開始・終了時刻）、text（発話内容）、emotion（感情）を含めてください。

室谷代表取締役

公式にも構造化出力で話者・タイムスタンプ・言語・感情を同時に取る例が載ってます。02:30〜03:29のように区間を指定して、そこだけ分析させることもできます。

テキトー教師DotAI 認定講師

ひとつ落とし穴で、マルチチャンネルの音声は1チャンネルに結合されるんですよ。左右に分けて録っても「チャンネルが違うから別人」とは判定できないので、話者の分離は声の特徴に頼ることになります。

要約・翻訳を同時に頼むプロンプトの書き方

室谷代表取締役

ここが実務で一番効くところで。文字起こしを取ってから要約を別で回すと、同じ音声を二度読ませることになるんですよね。

音声は1秒あたり32トークン、1分で1,920トークンなので、無駄が積み上がります。

テキトー教師DotAI 認定講師

なので1回のプロンプトに「文字起こし＋要約＋翻訳」をまとめて書きます。たとえば「まず全文を文字起こし、次に箇条書きで要約、最後に英訳を付けてください」と順番を指定する形ですね。

室谷代表取締役

出力の順番を決めておくと後段の処理にそのまま流せる。経営目線で言うと、この「1回で取り切る」設計ができるかどうかで運用コストが変わってきます。

テキトー教師DotAI 認定講師

逆に欲張りすぎると出力が途中で切れるので、まず文字起こしだけ、次に要約、と分けたほうが安定する場合もあります。音声の長さ次第です。

対応している音声形式と変換が必要なケース

室谷代表取締役

受け付ける形式は公式にリストがあるので、先に並べておきます。WAV、MP3、AIFF、AAC、OGG、FLAC、MPEG、M4A、L16、Opus、ALAW、MULAW、WebM。

主要なところはほぼ入ってますね。

テキトー教師DotAI 認定講師

初めて触る人がつまずくのは、録音アプリが独自形式だったり、動画から音声だけ抜きたいケースです。このリストにない形式は、変換してから上げる必要があります。

室谷代表取締役

あと、渡した音声は16Kbpsまでダウンサンプリングされるので、わざわざ巨大な高音質ファイルを上げても精度が上がるわけじゃない。ファイルサイズは転送時間の問題だと思ったほうがいいですね。

テキトー教師DotAI 認定講師

そこを知らないと「良いマイクで録ったのに」となりがちです。マイクと静かな部屋を整えるほうが効きますよ。

文字起こしの精度は実用レベル？上がらないときの調整

現場感覚で見る精度の判断軸

室谷代表取締役

精度の話、先に言ってしまうと「音声の状態でかなり変わる」んですよね。API側は16Kbpsにダウンサンプリングされる前提で、マルチチャンネルの音声も1チャンネルに結合される。

きれいに録っても一定まで落ちるものだと思って見たほうがいいんですよ。

テキトー教師DotAI 認定講師

最初に戸惑うのがまさにそこなんです。会議の録音をそのまま渡して「思ったより字が粗い」と感じるケースが多いんですけど、マイクのせいというより投げる前の状態で決まる部分が大きいですね。

室谷代表取締役

となると判断軸は「全部を完璧に取る」じゃなくて「人が読んで直せるか」になる。議事録の手戻りがどれだけ減るかで見たほうが、うちのような現場では判断しやすいんですよね。

テキトー教師DotAI 認定講師

たしかに。固有名詞さえ拾えていれば後から直せますから。

逆に誰が話したか分からないと直すコストが跳ね上がるので、話者の識別は別でお願いする前提で考えておくといいです。

精度を上げるプロンプトと前処理

室谷代表取締役

前処理で効くのは、渡す前に用語を教えておくことなんですよね。社名とか製品名とか、音声だけだと必ず崩れるやつを先に共有しておく。

テキトー教師DotAI 認定講師

そこは効果が分かりやすいです。プロンプトに「この単語はこう書く」と数個並べておくだけで拾い方が変わりますし、長い音声は区間を切っておくと、あとで人が確認する範囲がぐっと狭くなります。

室谷代表取締役

APIだとタイムスタンプを指定して部分だけ見せられるので、怪しいところに絞って投げ直せる。全体を何度も回すよりコストは確実に下がりますし、待ち時間も減ります。

テキトー教師DotAI 認定講師

話者や感情まで欲しいときは、JSONで返す形を指定しておくのがおすすめです。バラバラのテキストで受け取ると、結局人が貼り直す作業になってしまうので。

途中で止まる・失敗するときの原因と対処

テキトー教師DotAI 認定講師

止まる、失敗する系で現場でよく聞くのは、ファイルが重すぎるパターンです。音声をインラインで渡せるのは合計20MB未満までなので、超えるならFiles APIに上げる形へ切り替える必要があります。

室谷代表取締役

Gemini API全体だと一部のファイル入力でインラインの上限が広がったという発表もありましたけど、音声はデータ種別で条件が違うので、音声は20MB未満・超えたらFiles API、という整理で固定しておくのが安全なんですよね。

テキトー教師DotAI 認定講師

あとFiles APIは48時間で失効するので、翌日に続きをやろうとして「ファイルが無い」となるのも定番です。長い案件は毎回上げ直す前提で組んでおくと事故が減ります。

室谷代表取締役

アプリ側で「正しく分析できない」と出たときは、まず再アップロード。これで直ることも多いので、原因を深追いする前に一回上げ直すのが一番早いですね。

細かい条件は変わるので、公式の最新情報を見ておくのが無難です。

リアルタイムの文字起こしはできる？

Geminiがリアルタイムの逐次字幕に向かない理由

室谷代表取締役

「会議中に喋った端末から字幕が出ないの？」という声、MYUUUの現場でも聞くんですよね。ただGeminiの作りを見ると、録音済み・アップロード済みの音声を後から処理する前提なんですよ。

テキトー教師DotAI 認定講師

そこなんですよ。公式ドキュメントでも、リアルタイムの音声やりとりはLive API、逐次の文字起こしを支える専用の音声文字変換モデルはGoogle Cloud Speech-to-Text APIを使うよう案内されていて。

Gemini本体はそこを主目的にしていないんです。

室谷代表取締役

なるほど。喋った瞬間にテキストが出る、というのは別の道具の仕事なんですね。

テキトー教師DotAI 認定講師

最初に戸惑うのがまさにそこなんですよ。「録ってから投げる」という順番を飲み込むと、使いどころが一気に見えてきます。

会議中にリアルタイムが必要なときの選択肢

室谷代表取締役

とはいえ、商談の最中に要点だけ拾いたい場面はあるんですよ。経営目線で言うと、録り直しが効かない会議ほどリアルタイムの価値は上がる・・・

テキトー教師DotAI 認定講師

そこは素直に役割を分けたほうが早いですね。音声でのやりとりはLive API、逐次の文字起こしはSpeech-to-Text API。

Geminiに全部やらせようとしないのがコツです。

室谷代表取締役

Geminiを何でも屋にしない、と。

テキトー教師DotAI 認定講師

現場感覚で言うと、1つのツールで全部まかなおうとすると検証が浅くなるんですよ。録る・リアルタイム・整えるで道具を分けたほうが、結局は速いです。

録音してからまとめて処理する運用の組み方

室谷代表取締役

じゃあ録音ベースで組むとして、実務では何を先に決めればいいですか。

テキトー教師DotAI 認定講師

まずアップロード先と上限の把握ですね。アプリ側は音声の長さに上限があって、無料だと合計10分、Google AI ProかUltraで合計3時間まで。

長時間の会議を扱うならプラン前提になります。

室谷代表取締役

それはプラン設計の話でもあるんですよね。時給で換算すると、録った音声を放り込むだけの作業に人が張り付く形は避けたい。

テキトー教師DotAI 認定講師

あとAPI側はファイルの扱いが独特で、Files APIに上げたファイルは48時間で失効します。毎回上げ直す前提で組むか、置き場所を別に用意するかは先に決めておいたほうがいいです。

録音の分割ルールもそこで決まりますから。

Google MeetやYouTube動画を文字起こしするには

Google Meetの会議を議事録にする現実的なルート

室谷代表取締役

Meetの会議をそのまま文字起こし、となると入口はGeminiアプリの「ファイルをアップロードして分析する」ルートなんですよね。会議の録画や録音をファイルとして用意して渡す形になります。

テキトー教師DotAI 認定講師

現場でよく聞くのは「画面をそのまま渡せないんですか」なんですよ。渡せるのはファイルなので、まず録画や録音を残すところが実務の第一歩になります。

室谷代表取締役

で、ここで上限が効いてくるんですよ。無料だと動画は合計5分、音声は合計10分まで。

1時間の定例会議は丸ごと入らないんですよね。

テキトー教師DotAI 認定講師

そこなんですよね。ProかUltraにすると動画は合計1時間、音声は合計3時間まで伸びるので、会議の長さで先に線を引くのが現実的です。

YouTube動画のURLだけで文字起こしできるのか

室谷代表取締役

YouTube、URLを貼るだけで終わると思われがちなんですけど、公式ヘルプで確認できるのはファイルをアップロードして分析する形なんですよね。URLをそのまま渡す、という記載は見当たらないんです。

テキトー教師DotAI 認定講師

初めて触る人はそこを勘違いしやすいです。「リンクを渡せば読んでくれるはず」と思い込んで、何度も貼り直してしまう。

室谷代表取締役

なので動画ファイルか音声を取り出して渡す。長さの上限はMeetのときと同じようにかかってきます。

テキトー教師DotAI 認定講師

長い動画は分割して、必要な区間だけ渡すほうが詰まりにくいですね。全部を一度に、と考えないほうがうまくいきます。

会議録画やセミナー動画をまとめて処理するときの注意

室谷代表取締役

まとめて処理しようとすると、1プロンプトに追加できるのは最大10ファイル、音声などのファイルは1つ100MBまでという壁に当たります。セミナー動画を何本も、は普通に超えます。

テキトー教師DotAI 認定講師

あとZIPでまとめる発想をする人がいるんですけど、動画と音声はZIPに入れられないんですよ。ここ、ハマる人多いんですよね。

室谷代表取締役

経営目線で言うと、会議1本の議事録を手作業で作る工数を時給で換算すれば、有料プランに上げるかの判断はわりと早くつきます。ただプラン内容は変わるので、金額は公式サイトで確認してください。

テキトー教師DotAI 認定講師

順番としては、録画を用意する、必要な区間を切り出す、アップロードする。この順で進めると途中で止まりにくいです。

文字起こしした後の議事録化・業務活用とデータの注意点

文字起こしから議事録・タスク抽出まで任せる

室谷代表取締役

文字起こしって、実は素材なんですよね。テキストが出てきた時点で「できた」で終わっちゃう人が多いんですけど、そこから議事録の形に整えて、決定事項とタスクに落とすところまで一気に任せると、ようやく業務インパクトが出てくる・・・

テキトー教師DotAI 認定講師

現場感覚で言うと、文字起こし単体だと「読むのが面倒」で止まるんですよ。要約・決定事項・TODOをセットで出させると、初めてチームに読まれるものになります。

室谷代表取締役

MYUUU の現場だと、会議後に議事録を整える時間がじわじわ積み上がってるんですよね。ここが確認するだけの作業に変わるなら、人数分の時給がそのまま戻ってくる計算になる。

テキトー教師DotAI 認定講師

しかも API 側だと、話者とタイムスタンプを構造化した形で返させることもできます。誰がいつ何を言ったかが残ると、議事録の説得力が段違いなんですよ。

アップロードした音声・会議データはどう扱われるか

室谷代表取締役

ここ、一番聞かれるところなんですけど。上げた音声って結局どうなるんですか。

テキトー教師DotAI 認定講師

API 経由の場合、Files API でアップロードしたファイルは48時間で失効する一時保存なんです。長く置いておきたいなら、外部URLや Google Cloud Storage への登録が推奨されてます。

室谷代表取締役

48時間って短く見えるけど、逆に安心材料でもあるんですよね。消える前提で設計しておけば、社内に音声が置き忘れられていくリスクを考えなくて済む。

テキトー教師DotAI 認定講師

ただ、アプリ側で上げたファイルの保存や扱いについては、公式ヘルプの記載を自分の目で確認したほうがいいです。ここは推測で語ると危ない部分なので。

社内ルールとして決めておきたいこと

室谷代表取締役

結局これ、ツールの話じゃなくてルールの話になるんですよ。誰の音声を、どこまで上げていいのか。

テキトー教師DotAI 認定講師

たしかに。最初に戸惑うのが「録ってから上げていいのか」の判断なんですよね。

議事録を残す前提で会議を始める、みたいな運用から決めるとラクです。

室谷代表取締役

あとは保存先と失効の扱いを先に決めておくこと。事業側から見ると、便利さの前にここを固めておかないと、後から全部止める判断になるリスクのほうが高いんですよね。

テキトー教師DotAI 認定講師

最初に一回決めておけば、あとは現場が迷わず回せますからね。そこだけは飛ばさないほうがいいです。

よくある質問

Q1. 話者を分けて文字起こしできますか？

室谷代表取締役

会議で誰が話したかまで分けたい、という要望はよくありますよね。ただ、話者分離はツールや設定によって対応が違うので、Geminiでどこまでできるかは公式の最新仕様を見た方が確実です。

テキトー教師DotAI 認定講師

そうですね。最初に触る人が期待しがちなのがそこなんですよ。

複数人の声が混ざる会議は、まずきれいに録るだけでも精度の印象が変わります。必要なら話者分離に強い専用サービスと組み合わせるのも現実的です。

Q2. 外国語の音声を日本語に翻訳しながら文字起こしできますか？

室谷代表取締役

海外の会議を日本語で読みたい、みたいな需要はありますよね。ただ翻訳しながらの文字起こしは、固有名詞やニュアンスが落ちやすいので、僕なら原文で一度起こしてから翻訳します。

テキトー教師DotAI 認定講師

現場感覚でも同じです。翻訳と文字起こしを同時にやると、どっちも中途半端になりやすいんですよ。

まず原文、次に要約や翻訳、の順番が確認しやすいです。

Q3. オフラインでも使えますか？

室谷代表取締役

オフラインで、というのはたまに聞きますけど、文字起こしはクラウド前提のものが多いので、基本はネット接続が必要と考えておいた方がいいです。使う場所の電波は事前に確認したいですね。

テキトー教師DotAI 認定講師

たしかに。移動中や地下の会議室だと、録音はできてもアップロードで詰まる人がいます。

オフライン前提なら、端末側で完結する別の手段も含めて公式情報を見ておくのが安心です。

Q4. 句読点や改行が崩れるときは？

室谷代表取締役

文字起こしの文章って、そのままだと読みにくいことが多いんですよ。句読点や改行は後から整える前提で、プロンプトや編集ルールを決めておくと楽です。

テキトー教師DotAI 認定講師

たしかに、そこは誤解しやすいところです。最初に触る人は「精度が悪い」と感じますけど、実際は整形の手間が原因だったりします。

話し言葉をそのまま残すのか、読みやすさ優先で直すのかを先に決めるとぶれにくいです。

Q5. 他の文字起こしサービスと比べるなら何を見ればいい？

室谷代表取締役

比較するなら、料金だけじゃなくて、扱える音声の長さ、話者分離、データの取り扱い、あとは既存の業務フローに繋げやすいかですね。時給で換算して、どの作業が減るかで見るといいです。

テキトー教師DotAI 認定講師

現場でよく聞くのは「結局どれがいいの」なんですけど、会議の録り方や共有先で答えが変わります。まずは短い音声で試して、自分の環境でストレスが少ないものを選ぶのが早いです。

まとめ

室谷代表取締役

ここまで、Geminiの文字起こしをアプリ側とAI Studio/API側でどう使い分けるか、料金や上限、精度の調整、MeetやYouTube、その後の議事録化まで見てきました。最初から全部を完璧にしようとせず、短い音声で試すのが近道です。

テキトー教師DotAI 認定講師

そうですね。初めて触る人は、どの入口で何が違うのかで迷いがちなんですよ。

まずはアプリで触ってみて、物足りなくなったらAI StudioやAPIを検討する順番がハマりやすいです。

室谷代表取締役

業務で使うなら、料金だけでなく、音声の長さやデータの扱い、議事録に落とす手間まで含めて見たいところです。時給で換算すると、どの工程が減るかが見えますから。

テキトー教師DotAI 認定講師

最後に、録音の同意や社内ルールは先に確認しておいてください。公式の最新情報も見ながら、自分の用途に合う使い方から始めるのがいいと思います。