Google AI Studioでできること｜無料でナレーションを作ってみた

Google AI Studioとは、GoogleのAIモデル「Gemini」をブラウザ上で無料で試し、そのままAPIキーを発行して自分のプログラムから呼び出せる開発者向けのツールです。文章の生成だけでなく、画像・動画・音声の生成、リアルタイムの音声会話、自然言語でのアプリ作成までを1つの画面から試せます。

ただ、機能が多いぶん「結局どこまで無料で、何に使えるのか」が見えにくいツールでもあります。画面上で試すのは無料でも、APIの無料枠には上限があり、画像と動画の生成はAPIの無料枠では使えません。無料枠に送った内容がGoogleの製品改善に使われる点も、仕事で使う前に知っておきたいところです。

この記事では、AI Studioでできることを公式ドキュメントに沿って整理したうえで、筆者が実際に使っている音声生成（Gemini TTS）でナレーションを作る手順と、使ってみて分かった注意点を紹介します。筆者はCodeQuest.workのツール紹介ショート（YouTubeチャンネル@codequest_work）のナレーションを、2026年10月からGemini TTSで作っています。モデル名・料金・規約は2026年10月22日に公式ページで確認した内容です。

Google AI Studioとは｜Geminiを無料で試せる開発者向けの画面

Google AI Studioは、Gemini APIを使う開発者のための作業画面で、利用そのものは無料です。Googleの料金ページには「Google AI Studio usage is free of charge in all available regions.」と書かれています（Gemini API Pricing、2026年10月19日更新）。

画面でできることは大きく3つに分かれます。プロンプトを試して出力を確かめること、試した設定を「Get code」でAPIのコードとして書き出すこと（Google AI Studio quickstart）、そしてAPIキーを発行することです（Using Gemini API keys）。画面で手応えを確かめてから、同じ設定をプログラムに移せるのがAI Studioの使いどころです。

チャットでAIに相談したいだけならGeminiアプリで十分です。AI Studioを選ぶのは、同じ処理を何度も自動で回したいときや、自分のサイト・ツールにAIを組み込みたいときです。

Google AI Studioでできること一覧

AI Studioと、そこで発行したAPIキーで使えるのは、テキスト・画像・動画・音声・リアルタイム会話・文字起こし・音楽・アプリ作成の8分野です。2026年10月22日時点の主なモデルを、公式のモデル一覧（2026年10月21日更新）から整理しました。

モデル名は数か月単位で入れ替わります。動画生成はこの記事を書いた日にVeo 3.1のプレビュー版が終了しているので、使う前にモデル一覧で現行の名前を確かめてください。各社の生成AIと並べた比較は主要生成AIの使い分けガイドにまとめています。

プロンプトの試作とコードの書き出し

画面で試したプロンプトは「Get code」でそのままAPIのコードになります。温度やモデル、出力形式などの設定もコードに反映されるので、画面で決めた条件をプログラムに写し間違える心配がありません。

Build mode｜文章でアプリを作る

Build modeは、作りたいアプリを文章で伝えると、AIがコードを書いて動くアプリを組み立てる機能です。公式のBuild modeのドキュメント（2026年10月20日更新）によると、作れるのはReactとNode.jsのWebアプリ、Kotlin（Jetpack Compose）のAndroidアプリです。

できたアプリは、Google Cloud Runへのデプロイ、GitHubへの連携、ZIPでのダウンロードで持ち出せます。Cloud Runに載せた場合は、使った分だけCloud Runの料金がかかることがあります。

音声の生成・リアルタイム会話

音声まわりは、文章を読み上げるTTSと、話しかけると音声で返事をするLiveの2系統があります。TTSは声の一覧を画面で試聴して選べるので、ナレーション用の声探しに向いています。この記事の後半では、このTTSで実際にナレーションを作った手順を紹介します。

料金と無料枠｜画面は無料、APIは無料枠あり

AI Studioの画面は無料で、APIは無料枠と有料枠の2段構えです。有料のAPIキーを紐づけない限り、課金はされません（Billing、2026年9月28日更新）。

有料枠のTTSは、公式の料金ページで「10秒の音声あたり0.00225ドル」と換算されています。2027年1月1日からは入力1.00ドル・出力18.00ドルに上がると予告されているので、長く使う予定があるなら料金ページを定期的に見ておくと安心です。

回数の上限はプロジェクト単位でかかる

APIの回数制限は、APIキーごとではなくプロジェクトごとにかかります。公式のRate limitsによると、1分あたりの回数（RPM）、1分あたりのトークン数（TPM）、1日あたりの回数（RPD）の3つで管理され、どれか1つを超えると制限がかかります。1日の上限は太平洋時間の0時（日本時間の16時または17時）にリセットされます。

モデルごとの無料枠の具体的な数値は、公式ドキュメントには載っておらず、AI Studioの画面で確認する形です。筆者のプロジェクトでは、gemini-3.8-flash-ttsの無料枠は1日10回・1分3回でした（2026年10月時点の実測）。

Google AI Pro・UltraのサブスクにAPIは含まれない

GoogleのAIサブスク（Google AI Pro・Ultra）に入っていても、APIキーでの利用は別料金です。公式のGoogle AI plansには、サブスクで広がるのはAI Studioの画面上で使えるモデルと上限で、APIの直接利用は別に請求されると書かれています。

始め方｜ログインからAPIキーの発行まで

AI StudioはGoogleアカウントでログインすればすぐ使え、APIキーも画面から発行できます。利用規約で18歳以上が条件になっている点だけ先に確認してください。

1. aistudio.google.comをGoogleアカウントで開き、利用規約に同意する
2. 画面で使いたい機能を試す（チャット、画像、音声など）
3. 「Get API key」からAPIキーを作る。キーはプロジェクトに属し、回数の上限もそのプロジェクト単位でかかる
4. キーを環境変数や .env ファイルに保存し、.env はGitの管理から外す

用途ごとにプロジェクトを分けておくと、ある作業で無料枠を使い切っても別の作業が止まりません。筆者はショート動画のナレーション専用にプロジェクトを1つ作り、そのキーだけをナレーション用のスクリプトに渡しています。

ナレーションを作ってみた｜声を選んで読ませる

Gemini TTSで日本語のナレーションを作るときに一番時間をかけるべきなのは、声選びです。公式のSpeech generation（2026年10月12日更新）によると、用意されている声は30種類のプリセットに加え、言語や地域で絞り込める数百種類の「Voice Library」があり、AI Studioの画面で一覧を絞り込みながら試聴できます。

ほかの音声合成と同じ台本で聞き比べた

筆者は、ショート動画の同じ台本を3つの音声合成で読ませて比べ、Gemini TTSに切り替えました。それまで使っていたのは、パソコン上で動く無料のVOICEVOXです。

海外製の音声合成は、英語では自然でも日本語になると不自然になることがあります。評判だけで決めずに、自分の台本で一度読ませてから選ぶのがおすすめです。

声は日本語の台本で試聴して選ぶ

声の紹介文は英語で書かれているので、最終的には日本語の台本を読ませて決めます。筆者はショート動画向けに、紹介文から明るくはっきりした声を女性・男性で交互に10種類、候補として選びました。紹介文に「Quiet and intimate」「Very high」「Deep」とある声は、短い動画では聞き取りにくそうなので外しています。

このうち日本語で読ませて確認できたのは、2026年10月時点ではNikaだけです。ほかの9種類は、動画に使う前に日本語の台本で試聴し、不自然なら候補から外します。

なお筆者の環境では、日本語専用の声は有料のAPIキーでしか選べませんでした。公式ドキュメントには声と有料枠の関係は書かれていないので、無料枠で使う場合は、選べる声の中から日本語の自然さで選ぶことになります。

話し方を文章で指示する｜styleと間のタグ

Gemini TTSでは、話し方を数値ではなく文章で指示します。読ませる本文とは別に「どんな場面で、どんな調子で読むか」を書いて渡すと、その通りの調子で読み上げます。

筆者がショート動画で使っている style は次の1文です。

日本語のYouTubeショートのナレーション。明るく親しみやすく、はきはきと。最初から最後まで一定の速さで、急がずに読む。

「一定の速さで、急がずに読む」を入れたのは、文の後半で速くなる癖を抑えるためです。年齢や性別を style に書くと声質が揺れるので、公式も声の選択で決めるよう勧めています。また、1回のリクエストで2人までの掛け合いを作れます。ただしVoice designで作った声や、参照音声から複製した声は掛け合いに使えないため、1人ずつ合成して後でつなぎます。

APIで呼ぶ｜Node.jsのサンプル

APIでは、本文と style と声の名前を1回のリクエストに入れて送ると、音声がBase64で返ってきます。エンドポイントは Interactions API（POST /v1beta/interactions）です。公式のInteractions APIのドキュメントでは2026年6月に一般提供となり、新しいプロジェクトにはこちらが推奨されています。従来の generateContent も引き続き使えます。

次のサンプルは、筆者が実際にナレーション作りで動かしているスクリプトから、1文を読み上げる部分だけを抜き出したものです。Node.js 18以降なら追加のパッケージなしで動きます（筆者の環境はNode.js 23.9.0）。

// narrate.mjs: 1つの文をGemini TTSで読み上げ、WAVで保存する
import { writeFileSync } from 'node:fs';

const res = await fetch('https://generativelanguage.googleapis.com/v1beta/interactions', {
  method: 'POST',
  headers: { 'Content-Type': 'application/json', 'x-goog-api-key': process.env.GEMINI_API_KEY },
  body: JSON.stringify({
    model: 'gemini-3.8-flash-tts',
    input: [{
      type: 'user_input',
      content: [{
        type: 'text',
        text: 'この記事では、Google AI Studioでできることを紹介します。',
        annotations: [{ type: 'speech_metadata', style: '明るく親しみやすく、はきはきと読む' }],
      }],
    }],
    response_format: { type: 'audio' },
    generation_config: { speech_config: [{ voice: 'Nika' }] },
  }),
});
if (!res.ok) throw new Error(`合成に失敗しました: ${res.status} ${await res.text()}`);

const json = await res.json();
const audio = json.steps
  .filter((step) => step.type === 'model_output')
  .flatMap((step) => step.content)
  .filter((part) => part.type === 'audio')
  .at(-1);
if (!audio?.data) throw new Error('音声が返りませんでした');
writeFileSync('narration.wav', Buffer.from(audio.data, 'base64'));

実行は、APIキーを環境変数に入れてから node で呼ぶだけです。

GEMINI_API_KEY=発行したキー node narrate.mjs

返ってくる音声は既定でWAV形式なので、そのまま動画編集ソフトに読み込めます。複数の文を作るときは、この処理を文の数だけ繰り返します。

回数制限に当たったときの扱い

無料枠の上限を超えると、ステータス429が返ってきます。1分あたりの上限に当たったときは、返ってきたメッセージに「retry in 〇〇s」と待ち時間が書かれているので、その秒数だけ待ってやり直せば続きを作れます。1日の上限に当たったときは待ち時間が数時間になるので、待たずに止めて翌日に回すようにしておくと、スクリプトが何時間も止まったままになりません。

実際に使って分かったこと｜尺・早口・回数

Gemini TTSは自然に読むぶん、台本を一度に読ませると想定より長くなります。ここでは約20秒・6カットのショート動画を作ったときの実測を紹介します。

一度に読ませると24.1秒、カットに分けると収まった

6カット分の台本をまとめて1回で読ませたところ、24.1秒になり、目標の約19秒を5秒ほど超えました。文と文の間に自然な間が入るためです。そこで台本をカットごとに分けて1文ずつ読ませ、前後の無音をffmpegで削ったところ、各カット3.0〜3.5秒に収まりました。

カットごとに音声を分けておくと、1カットだけ台本を直したいときもその1つを作り直せば済みます。カットの分け方はAI動画のカット割りの作り方で、カットの長さに合わせて自動で速さを調整する仕組みはVOICEVOXでナレーションを自動で入れる手順で解説しています。

速めるのは1.05倍まで。それ以上は台本を削る

音声を後から速めて尺に収める方法は、1.05倍までにとどめています。1.07〜1.16倍まで速めたものは、聞き比べると早口に聞こえました。そこで、1.05倍でも収まらないカットがあったら書き出しの前で止めて、台本のほうを短くしています。

英字は読み間違いも起きやすいので、JavaScriptを「ジャバスクリプト」のように、送る前にカタカナへ置き換える表を用意しておくと安定します。

無料枠だと1日1本まで

筆者の環境の無料枠（1日10回）では、6カットの動画は1日1本しか作れません。1カットにつき1回リクエストするので、1本で6回を使い、残りの4回では次の1本が作りきれないためです。本数が必要なら、前日までに台本を固めて1日1本ずつ作るか、有料枠に切り替えます。

VOICEVOXとの使い分け

声の自然さを優先するならGemini TTS、回数を気にせず何度でも作り直したいならVOICEVOXが向いています。どちらもナレーションを自動で作れますが、動く場所と制約がまったく違います。

筆者は、公開済みと予約済みの動画はVOICEVOXのまま残し、次の動画からGemini TTSに切り替えました。VOICEVOXで尺合わせや音量調整まで自動化する手順はVOICEVOXのナレーションを自動で入れる記事に、できた動画をYouTubeに上げる工程はYouTube Data APIで動画をアップロードする手順にまとめています。

商用利用と規約の注意

Gemini APIの規約では、生成したコンテンツの所有権をGoogleは主張しません。Gemini API Additional Terms of Service（2026年4月28日更新）には「Google won’t claim ownership over that content.」とあり、APIは仕事や事業の目的で使う開発者向けと位置づけられています。ただし「商用利用可」と言い切った文言はなく、同じような内容がほかの人にも生成されうることや、法令の順守は利用者の責任になる点も書かれています。

• 18歳以上：APIの利用は18歳以上が条件。18歳未満向けのサービスに組み込むこともできない
• 無料枠のデータ：入力と出力はGoogleの製品改善に使われ、人が読むことがある。個人情報や社外秘の内容は送らない
• 有料枠のデータ：製品改善には使われない。不正利用を見つけるため、一定期間だけ記録される
• 地域：EEA・スイス・英国の利用者向けにサービスを提供する場合は、有料枠しか使えない

YouTubeのAI使用の申告

YouTubeでは、リアルで視聴者に誤解を与えるAIコンテンツに「AIの使用」の申告が求められます。YouTubeヘルプ「生成 AI コンテンツの使用に関する開示」は、実在の人物が言っていないことを言っているように見せるものなどを申告の対象に挙げ、自分の声を複製したナレーションは申告が不要な例に挙げています。

AIが作った架空の声のナレーションがどちらに当たるかは、ヘルプに明記されていません。筆者は迷ったら申告する方針にして、Gemini TTSで作る動画は「AIの使用」を「はい」で申告すると決めました。申告しても収益化の資格には影響しないとヘルプに書かれています。

Vertex AI・Geminiアプリとの違い

個人や小さなチームで試すならAI Studio、企業の管理機能が必要ならGoogle Cloud側のサービスを選びます。公式の移行ガイドにも「Most developers should use the Gemini Developer API unless there is a need for specific enterprise controls.」とあります。

なお、Vertex AIは2026年4月22日にGemini Enterprise Agent Platformの一部となり、Vertex AI StudioはAgent Studioに名前が変わっています（リリースノート）。古い記事で「Vertex AI Studio」と書かれているのは、いまのAgent Studioのことです。

よくある質問

Q. Google AI Studioは無料で使えますか？

AI Studioの画面の利用は無料です。APIは無料枠の範囲なら料金はかかりませんが、画像と動画の生成はAPIの無料枠では使えず、有料のAPIキーを紐づけた場合だけ従量課金になります。

Q. Google AI Studioで日本語のナレーションは作れますか？

作れます。音声生成モデルのgemini-3.8-flash-ttsとgemini-3.8-flash-lite-ttsはどちらも日本語に対応しており、声を選んで話し方を文章で指示すると日本語で読み上げます。

Q. Gemini TTSの声は何種類ありますか？

プリセットの声が30種類あり、ほかに言語や地域で絞り込める数百種類のVoice Libraryがあります。文章で説明して新しい声を作るVoice designという機能もあります。

Q. Gemini TTSの無料枠は1日何回までですか？

公式ドキュメントにはモデル別の数値が載っておらず、AI Studioの画面で確認する形です。筆者のプロジェクトでは2026年10月時点で1日10回・1分3回でした。

Q. AI Studioで作った音声はYouTubeなどで使えますか？

Gemini APIの規約ではGoogleは生成物の所有権を主張せず、APIは事業目的の開発者向けとされているため、筆者はYouTubeの動画に使っています。無料枠では送った台本が製品改善に使われる点と、YouTubeの「AIの使用」の申告は別途確認してください。

Q. Google AI StudioとGeminiアプリの違いは何ですか？

Geminiアプリは一般の利用者がチャットで使うためのサービスで、AI Studioは開発者がプロンプトを試し、APIキーを発行して自分のプログラムからGeminiを呼ぶための画面です。

関連記事

• VOICEVOXでナレーションを自動で入れる｜動画の尺に合わせて速さを調整
• 主要生成AIを完全比較！テキスト・画像・動画・音楽の使い分けガイド【2026年版】
• AI動画のカット割りの作り方｜シーン表を作って1シーンずつ生成する
• YouTube Data APIで動画アップロード｜Claude Code×Pythonで予約公開まで自動化
• AIでMV・CMを作る｜曲・歌声・ナレーションまで1回の生成で出す