Gemini 3.5 Transcribeの音声編集|声で原稿を直すAPI

Gemini 3.5 Transcribe 声で原稿を直す AIツール・最新情報

Googleは2026年11月17日、既存のGemini 3.5 Transcribeに音声編集を追加しました。文字起こしだけでなく、録音で修正を指示し、既存の文章を書き換えられます。普段のGeminiアプリではなく、開発者向けGemini APIの機能です。

単発なら「元原稿」と「話した指示」を分ける

単発リクエストでは、元の文章を source_text に指定し、音声で修正を指示します。たとえば「明日14時から打ち合わせです」という原稿に「15時に変更して、オンライン開催と追記して」と録音で伝える使い方です。これは説明用の例で、実測結果ではありません。

結果を確認し、次の単発リクエストも同じ文書に対して行うなら、確認済みの版を新しい source_text に渡します。日時・固有名詞・数字は自動確定せず、更新前後の差分を確認する設計がおすすめです。

Liveでは途中の文字列を本文に反映しない

Smartモードで届く interim_input_transcription は話している指示の途中経過です。確定した input_transcription の全文で、編集中の原稿を置き換えます。確定イベントに text がないときは空文字として扱います。Liveは話者分離と単語単位のタイムスタンプに対応していません。

公式:11月17日の変更履歴/単発の音声編集/Liveの音声編集。文章を声で直すのでなく自然に読み上げたい方は、ElevenLabsで日本語の読みを調整する方法も参考に。

コメント

タイトルとURLをコピーしました