google-cloud-speech

メディア制作向け Google Cloud Speech

主に音声を扱う作業では、プロバイダーの選択肢として Google Cloud Speech を使用します。

• 既存の音声／動画を文字起こしして、台本、検索可能なテキスト、編集用素材、字幕、キャプション、話者メモを作成します。
• 長尺メディアから SRT／WebVTT キャプションを作成します。
• ライブキャプションやリアルタイム文字起こし機能を計画します。
• 合成ナレーション、対話のプロトタイプ、教育用ナレーション、IVR 形式のプロンプト、ローカライズした音声トラックを作成します。
• 制作要件で Google Cloud のガバナンス、スケーラビリティ、リージョン制御、既存の GCP インフラストラクチャが重視される場合は、Chirp 3 HD、Gemini-TTS、Studio、Neural2、WaveNet、Standard などの Google 音声ファミリーを使用します。
• 同意に基づくカスタム音声の作成は、公式の利用許可、音声の権利者の同意、権利の確認がそろっている場合に限ります。

このスキルを、汎用的な音声編集、音楽、ノイズ除去、DAW、ミキシング、動画ローカライズのスキルとして使用しないでください。Google Cloud Speech は文字起こしと音声素材を生成できますが、制作の仕上げには編集、ラウドネスの正規化、同期、QC が必要であり、多くの場合、Speech API 以外の翻訳ツールも必要です。

以下の変更される可能性がある情報は、2026-07-10 に Google Cloud の公式ドキュメントで確認済みです。モデル ID、提供段階、リージョンエンドポイント、割り当て、価格については、費用を確定したりコンプライアンスに関する主張をしたりする前に再確認してください。

API の境界

Google は、関連はあるものの別々のサービスを提供しています。

• Cloud Speech-to-Text (STT)：音声をテキストに変換する音声認識／文字起こしサービスです。新しいメディアワークフローでは、既存の統合で V1 が必要な場合を除き、API V2 を優先してください。V2 では、認識ツールのリソース、リージョン化されたサービスの構成、リソースとバッチ文字起こしに対する顧客管理の暗号鍵のサポート、音声の自動検出が追加されています。
• Cloud Text-to-Speech (TTS)：プレーンテキスト、SSML、マークアップ、またはモデル固有のプロンプト付きテキストを、再生可能な音声に合成します。
• Gemini-TTS は、現在の Cloud Text-to-Speech ドキュメントに、テキストプロンプトによるスタイル制御に対応した新しい TTS ファミリーとして記載されています。一部の経路では、Vertex AI の権限やエンドポイントが必要になる場合があります。実装前に、最新のドキュメントで正確な API 経路を確認してください。
• Instant Custom Voice は、同意と参照音声を基に音声クローニングキーを作成する Cloud TTS の機能ですが、利用できるのは許可リストに登録されたユーザーに限られます。

制作で文字起こしと合成音声の両方が必要な場合は、計画上は 1 つのプロバイダーパッケージとして扱いつつ、実装、割り当て、価格、IAM、データガバナンスの確認では別々の API 統合として扱ってください。

維持すべき文書化済みの事実

音声テキスト変換

• Chirp 3 Transcription は、モデル識別子が chirp_3 の Speech-to-Text API V2 モデルです。Google は、StreamingRecognize、Recognize、BatchRecognize での利用を案内しています。
• Google は、StreamingRecognize をストリーミング／リアルタイム音声向け、Recognize を1分未満の音声向け、BatchRecognize を長時間の音声向けと説明しています。Google の Chirp 3 ページによると、BatchRecognize は通常1分から1時間までの音声が対象ですが、単語レベルのタイムスタンプを有効にした場合は最長20分です。
• 2026-07-10 時点の確認では、Google は Chirp 3 のリージョン対応として us と eu のマルチリージョンを案内しています。最新の対応状況は Locations API で確認できます。
• キャプション出力は V2 専用で、BatchRecognize を使用します。SRT および WebVTT 出力はインラインで返すことも、Cloud Storage に書き込むこともでき、Cloud Storage への出力では複数の形式を一度にリクエストできます。
• V2 のストリーミング認識は gRPC 専用です。Google のガイドによると、ストリームの各リクエストメッセージで送信できる音声の上限は25 KBです。
• Google のトラブルシューティングページには、ストリーミング認識の制限時間が5分と記載されています。上限が近づいたら、ストリームを閉じて新しく開いてください。
• 2026-07-10 に確認した STT V2 の割り当て例には、リージョンあたり毎分100件のリソースリクエスト、150件のオペレーションリクエスト、300件の同期認識リクエスト、150件のバッチ認識リクエスト、300件の同時 StreamingRecognize セッションが含まれます。ストリーミングリクエストの割り当ての詳細は変更される場合があるため、大規模なライブイベントの前に確認してください。
• STT の料金は、正常に処理された音声の長さに基づきます。2026-07-10 に確認した料金ページでは、V2 の標準認識は0～500,000分で1分あたり$0.016から、動的バッチ認識は1分あたり$0.003からとなっています。API が音声を処理していれば、応答が空でも処理済みとしてカウントされる場合があります。
• Google によると、Cloud STT はデフォルトでは顧客の音声データや文字起こしをログに記録しません。データのログ記録はオプトイン方式で、割引料金の適用条件となる場合があります。クライアントの明示的な承認なしに、機密性の高い音声や未公開の本番音声についてオプトインしないでください。

テキスト読み上げ

• Cloud TTS の同期型 text:synthesize は、入力テキスト全体の処理が完了してから音声を返します。リクエストには input、voice、audioConfig が必要で、成功時のレスポンスには Base64 エンコードされた音声コンテンツが含まれます。
• Cloud TTS の長時間音声合成は非同期で、Cloud Storage URI に書き込みます。Google のドキュメントによると、入力は最大 100 万バイトまで合成できます。長時間音声のページは、確認時点で Preview とされていました。
• 双方向ストリーミング合成は Preview としてドキュメント化されており、テキストを送信しながら音声を受信することで、レイテンシーを低減することを目的としています。
• Cloud TTS は、エンコーディング、話速、ピッチ、音量ゲイン、サンプルレート、エフェクトプロファイルなどの音声設定をサポートしていますが、サポート状況は音声ファミリーによって異なります。REST AudioConfig リファレンスに記載された話速の範囲は [0.25, 2.0]、ピッチの範囲は [-20.0, 20.0] 半音、音量ゲインの範囲は [-96.0, 16.0] dB です。
• SSML では、サポート対象の音声について、間、頭字語、日付、数字、置換などの発話の詳細を制御できます。ただし、すべての音声ファミリーがすべての SSML タグをサポートしているわけではありません。
• 2026-07-10 に確認したサポート対象音声のページによると、Chirp 3 HD 音声は多くの言語でイントネーション豊かな発話を実現するよう設計されており、高度な音声制御と低レイテンシーのテキストストリーミングをサポートしています。同じページには、Chirp 3 HD は global、eu、us の各エンドポイントで利用できますが、リージョン化とデータレジデンシーの対象外と記載されています。リリースノートによると、エンドポイントや対応言語は随時拡張されているため、再確認してください。
• Chirp 3 HD の音声制御ドキュメントには、話速制御、間のタグ、カスタム発音制御について記載されています。一部の制御は Preview または Experimental です。最新のドキュメントで安定版とされていない限り、安定版として紹介しないでください。
• Chirp 3 Instant Custom Voice は許可リストによる制限があります。公式ドキュメントでは、同意の声明と参照音声をそれぞれ録音することを求めており、各音声は最大 10 秒のモノラル音声で、音声クローンキーの作成も必要です。ドキュメントに記載されている同意の声明は次のとおりです。「この声の所有者は私であり、Google がこの声を使って合成音声モデルを作成することに同意します。」
• 2026-07-10 に確認した TTS の料金ページでは、Chirp 3 HD は 100 万文字の無料枠の後、100 万文字あたり 30 ドル、Instant Custom Voice は無料枠なしで 100 万文字あたり 60 ドル、Studio は 100 万文字の無料枠の後、100 万文字あたり 160 ドル、Neural2/Polyglot は 100 万文字の無料枠の後、100 万文字あたり 16 ドル、Standard/WaveNet は 400 万文字の無料枠の後、100 万文字あたり 4 ドルと記載されていました。Gemini-TTS の料金はトークンベースで、ページには音声トークンが 1 秒あたり 25 トークンと記載されていました。料金は必ず再確認してください。

実証／運用上の所見として明記する事項

以下は本番環境での所見であり、プロバイダーが保証する事実ではありません。

• 字幕の品質は、API の選択よりも、元の音声、音声の重なり、音楽、専門用語によって左右されることが多くあります。通常、クリーンなモノラルの会話音声は、ミックス全体より文字起こしに適しています。
• 話者ダイアライゼーションは編集作業に役立ちますが、出演者一覧ではありません。引用の帰属を確定する前に、引き続き人による確認が必要です。
• 自動字幕は、公開前に手動で改行を調整し、読み上げ速度を制御し、冒とく表現やブランド名を処理し、タイミングを微調整する必要があることがよくあります。
• 単独のプレビューでは自然に聞こえる合成ナレーションも、音楽、カット、字幕を加えた映像では違和感が生じる場合があります。WAV/MP3 の単独再生だけでなく、最終ミックスで確認してください。
• ローカライズ吹き替えでは、TTS の純粋な品質よりも、台本の調整とタイミングが大きな制約になることがよくあります。原文の字面だけでなく、口の動きや時間への適合性、文化的な意図に合わせて翻訳してください。

計画にこれらの所見を用いる場合は、運用上の所見または制作上の経験則として明記してください。

プロバイダー選定の判断

Google STT を選ぶ場合

• プロジェクトですでに Google Cloud のストレージ、IAM、請求、またはコンプライアンス管理を使用している場合。
• 長尺の字幕向けに、SRT／WebVTT 出力を伴う V2 BatchRecognize が必要な場合。
• 現在ドキュメント化されている Chirp の文字起こしモデルが必要で、対応リージョンで実行できる場合。
• 構造化されたバッチ処理、リージョンを考慮した認識機能、Cloud Storage への出力、または Google Cloud の監査可能性が必要な場合。
• 大量の処理を行い、バッチ料金、クォータ計画、パイプラインの自動化を活用できる場合。

別の STT プロバイダーを検討する場合

• オフラインまたはローカルで文字起こしを行う方法が必要な場合。
• 希望するリージョン、言語、話者ダイアライゼーションの動作、タイムスタンプの方式、またはレイテンシ要件に、選択した Google モデルが対応していない場合。
• クライアントが Google Cloud への音声のアップロードを許可しない場合。
• 文字起こしや字幕の生成ではなく、エンドツーエンドの吹き替えプラットフォームが必要な場合。

Google TTS を選ぶ場合

• Google Cloud のガバナンス、請求、IAM、または既存の GCP パイプラインとの統合が必要な場合。
• Chirp 3 HD、Gemini-TTS、Studio、Neural2、WaveNet、または Standard の音声が、制作の方向性や言語に合っている場合。
• Cloud Storage への長尺の音声合成、または対応モデルによる低レイテンシのストリーミングが必要な場合。
• 同意を得たカスタム音声が必要で、クライアントが公式の許可リストへの登録と、音声の権利者による書面での承認を得ている場合。

別の TTS プロバイダーを検討する場合

• Google 以外の音声スタイル、特定の著名人やブランドの声の類似性、現在の Google ドキュメントで対応していない高度なディレクター向け制御、またはプレビュー版ではない制御の安定した提供が必要な場合。
• Google の許可リストへの登録なしで音声クローニングが必要な場合。
• 翻訳、タイミング調整、リップシンク、ミックス、人による確認が一式になった、フルマネージドの吹き替えパッケージが必要な場合。

STT の本番ワークフロー

1. メディアを確認します。

   • 最適な会話トラックを抽出するか、特定します。
   • 可能な限り、ロスレスまたは圧縮率の低いソースを使用します。
   • ffprobe などのツールで、サンプルレート、チャンネル数、エンコーディング、再生時間を確認します。
   • 話者ごとに別々のチャンネルがある場合はそれを維持し、そうでない場合はミックスされたチャンネルによる制約を受け入れます。

2. 方法を選択します。

   • Recognize は、ドキュメントに記載された同期処理の上限時間内に収まる短いクリップに限って使用します。
   • 長いファイル、Cloud Storage の入力／出力、字幕、拡張性が求められるメディアライブラリには、BatchRecognize を使用します。
   • StreamingRecognize はライブまたはインタラクティブなワークフローに限って使用し、ドキュメントに記載された最大時間より前にストリームを切り替える設計にします。

3. モデルとリージョンを選択します。

   • 言語、メソッド、機能、リージョンのサポート状況がジョブに合う場合は、chirp_3 を優先します。
   • 実行時にロケール、モデル、機能のサポート状況を確認するには、Locations API または最新のドキュメントを使用します。
   • リージョンは意図的に固定します。クライアントにデータレジデンシーの制約がある場合、安易にリージョンを混在させないでください。

4. 認識を設定します。

   • 言語コードを正確に設定します。言語の自動検出では、考えられるすべての言語ではなく、候補を絞ったリストを指定します。
   • 単語のタイムオフセットは、字幕、カラオケのタイミング、文字起こしの検索、引用単位の編集に必要な場合にのみ有効にします。一部のモデルでは、これにより対応可能な再生時間が変わることに注意してください。
   • 話者の分離が重要な場合にのみ話者ダイアライゼーションを有効にし、話者ラベルには確認が必要であることを伝えます。
   • ブランド名、製品名、人名、専門用語、頭字語、特殊な綴りには、フレーズヒントやカスタムクラスを使用します。

5. 出力をリクエストします。

   • 字幕には、V2 BatchRecognize の output_format_config を介して SRT または WebVTT をリクエストします。
   • 編集用には、後続のツールで信頼度、タイムスタンプ、代替候補を使用できるよう、字幕に加えてネイティブ JSON も保持します。
   • 未加工の文字起こし、レビュー済みの文字起こし、字幕、QC メモは、それぞれ別の成果物として保存します。

6. レビューします。

   • 信頼度が低い区間や重要度の高い区間は、音声を聴いて確認します。
   • 名前、数字、行動喚起、法的主張、引用、画面上の字幕を検証します。
   • 字幕の読み上げ速度、行の長さ、シーン切り替えとの重なり、話者の交代を確認します。
   • 文字起こしが空、または品質が低い場合、モデルを問題視する前に音声のメタデータと明瞭度を確認します。

TTS 制作ワークフロー

1. 音声の役割を決めます。

   • ナレーター、講師、キャラクター、カスタマーサポート、広告読み上げ、アクセシビリティ向けの説明、一時的な仮ナレーション、またはローカライズ版の差し替え音声。
   • 出力が最終音声、プロトタイプ、編集時のタイミング調整用の仮ナレーション、アクセシビリティ支援のいずれなのかを明示します。

2. 音声ファミリーを選択します。

   • Chirp 3 HD：言語やスタイルに対応している場合は、現代的で自然なナレーションや低レイテンシの音声に使用します。制御機能とエンドポイントの制限を確認してください。
   • Gemini-TTS：現在のドキュメントが必要なスタイルプロンプト、複数話者の会話、出力制約に対応している場合に検討します。モデル ID、リージョン、提供段階、トークン料金、権限、API ルートを確認してください。
   • Studio：言語や音声、コストが要件に合う場合、ニュースや放送スタイルの読み上げに検討します。
   • Neural2/WaveNet/Standard：コスト重視、実績重視、または互換性重視の用途に検討します。
   • Instant Custom Voice：許可リスト、同意、権利、安全性の確認を行った後に限り使用します。

3. 印刷物ではなく、音声用に原稿を準備します。

   • 内容が詰まった文章を、話し言葉の文に書き換えます。
   • 誤解を招きやすい数字、通貨、URL、頭字語、製品名、発音に注意が必要な語句は、読み方を明示します。
   • 対応している場合に限り、句読点、SSML、またはモデル固有のポーズ制御を使って、息継ぎや思考の区切りを入れます。
   • 吹き替えやローカライズでは、音声合成の前に、尺や文化に合わせてテキストを調整します。

4. セクションごとに生成します。

   • 編集者が個々のセリフを差し替えたり、タイミングを調整したりできるよう、シーン、段落、またはビートごとに分割します。
   • ファイル名には、連番、言語、音声、モデル、改訂版を含めます。
   • テキスト、音声、モデル、リージョン、音声設定、日付、出力パスを記載したマニフェストを管理します。

5. 最終ミックスの前に確認します。

   • 発音、ペース、感情との適合性、息継ぎやポーズ、冒頭や末尾の音切れ、アーティファクト、セクション間の一貫性を確認します。
   • 字幕や音楽と合わせて映像と照らし合わせます。
   • 問題のあるセグメントだけを再生成します。記録された判断なしに、プロジェクトの途中で音声やモデルを変更しないでください。

吹き替えとローカライズの計画

Google Cloud Speech は吹き替えワークフローの一部をサポートできますが、自動的に完全な吹き替えパイプラインになるわけではありません。

次の段階を明確に計画します。

1. タイムスタンプと話者メモを付けたソース音声の文字起こし。
2. 人間または機械による翻訳と文化的な調整。
3. 尺の制約に合わせた台本の書き直し。
4. 音声の選択、または同意を得たカスタム音声の使用。
5. シーンやセリフごとの TTS 生成。
6. 編集、同期、ルームトーン、EQ、ラウドネス、字幕、最終 QC。

リップシンクやアバターを使う場合は、アバター／リップシンクのプロバイダーを別途確認してください。Google TTS のファイルは音声素材にすぎず、口の動きとの一致、演技としてのパフォーマンス、ミックスにそのまま使える状態を保証するものではありません。

安全性、同意、権利、データガバナンス

• 特に未公開コンテンツ、インタビュー、未成年者、医療／法律関連のコンテンツ、社内会議、著名人や出演者の素材については、制作音声を Google Cloud にアップロードする明示的な許可を得てください。
• 文字起こしは、派生した機微データとして扱ってください。元の音声へのアクセスが制限されていても、文字起こしから個人的な発言が明らかになる可能性があります。
• クライアントのメディアについては、クライアントが割引とプライバシーのトレードオフを書面で承認していない限り、STT データロギングを有効にしないでください。
• カスタム音声を使う場合は、話者が音声の権利を所有または管理しており、合成音声の作成に同意していることを書面で確認してください。公式の Instant Custom Voice ワークフローでは、録音した同意表明が必要です。
• 特定の権利確認とポリシー審査なしに、スクレイピングした音声、アーカイブ音声、故人の音声、従業員、俳優、顧客、公人の音声から声を複製してはいけません。
• 配信状況、プラットフォームのポリシー、法律、またはクライアントのポリシーで必要な場合は、合成ナレーションであることを明示してください。
• ローカライズでは、ソースコンテンツから翻訳版や吹き替え版の派生作品を作成する権利があることを確認してください。
• 規制対象のコンテンツを処理する前に、リージョン、保持期間、暗号化、IAM、ロギング、削除に関する要件を確認してください。

例：長時間のポッドキャストの文字起こしと字幕

制作の目的：48分のインタビューを、レビュー済みの文字起こし、引用箇所、SRT 字幕、WebVTT 字幕にします。

プロバイダー／方式：Cloud Speech-to-Text V2 BatchRecognize。現在のロケール／機能のサポート状況に応じて、モデル chirp_3 を使用します。

入力：

• gs://show-assets/raw/interview_ep12_dialogue.wav
• 英語の音声、話者は2人。会話はおおむね明瞭で、冒頭に軽い音楽が入っています。
• JSON の文字起こし、SRT、VTT が必要です。

ワークフロー：

1. ファイルを確認します：長さ、エンコード、チャンネル数、サンプルレート、聞き取れる音声の品質。
2. 音楽のイントロ／アウトロによって字幕の認識に支障が出る場合は、該当箇所をカットするか、会話部分の音声トラックを用意して認識します。
3. 出力先として Cloud Storage バケットを指定し、ネイティブ JSON、SRT、VTT をリクエストして V2 BatchRecognize を使用します。
4. 引用箇所単位での編集に必要な場合は単語の時間オフセットを有効にします。ただし、最初に音声の長さとモデルの境界を確認します。
5. ゲスト名、スポンサー名、製品名、よく使われる頭字語のフレーズヒントを追加します。
6. 非同期オペレーションの状態をポーリングします。
7. 公開前に、文字起こしと字幕を手作業で確認します。

想定される結果：

• 編集／検索用のネイティブ JSON。
• 時刻に合わせた字幕テキストを含む .srt ファイルと .vtt ファイル。
• 不確かな名前、重なった発話、音楽で聞き取りにくい箇所、人による確認が必要な冗談や慣用句をまとめた QC リスト。

想定される失敗モード：

• 音声メタデータの誤り、言語の誤り、音声ソースの品質の低さ、音楽の多い区間が原因で、文字起こしが空、または品質の低いものになる。
• 話者ラベルが、話者ダイアライゼーション用のプレースホルダーではなく、実際の人物の識別情報として扱われる。
• 字幕の行が長すぎる、またはプラットフォームの基準に合わない位置で改行される。
• API が音声を正常に処理した場合、レスポンスが空でも費用が発生する。

バリエーション：

• 3分のソーシャルメディア用クリップの場合、ファイル形式の字幕が必要であれば BatchRecognize を使用します。クリップが文書化された短時間音声の上限内で、字幕が不要な場合に限り、同期型の Recognize を使用します。
• 多言語音声の場合は、想定される言語コードを絞り込み、選択したモデルが自動言語検出に対応していることを確認します。

例：ライブイベントの字幕

制作の目的：ライブ配信にリアルタイムの仮字幕を表示し、その後、編集済みの字幕を作成します。

プロバイダー／方式：ライブ表示には Cloud Speech-to-Text V2 StreamingRecognize を使用し、イベント後に録画マスターから最終字幕を作成するには V2 BatchRecognize を使用します。

ワークフロー：

1. 可能であれば、放送用のミックスではなく、明瞭な音声フィードを使用します。
2. gRPC のストリーミング認識セッションを開始します。
3. 各ストリームメッセージが、文書化されたリクエストサイズの上限内に収まるようにします。
4. 文書化されたストリームの最大時間に達する前に、ストリームを切り替えます。
5. 中間字幕は暫定版として表示します。
6. イベント後、録画に対して BatchRecognize を実行し、レビュー済みの SRT／VTT を作成します。

想定される結果：

• 低遅延ながら、ときどき認識エラーが発生するライブ字幕。
• バッチ文字起こしと人によるレビューを経た、より高品質な最終字幕。

失敗モード：

• ストリームの切り替えが実装されていない場合、時間の上限付近でストリームが中断される。
• 複数会場のイベントで、同時セッションのクォータを使い切る。
• 会場のマイクのノイズ、発話の重なり、バックグラウンドの音楽によって、字幕の品質が低下する。

バリエーション：

• コンプライアンス基準を満たす字幕が必要な場合、ライブ字幕はアクセシビリティ支援としてのみ使用し、アーカイブを公開する前に人による修正工程を予定します。

例：Chirp 3 HD によるナレーション

制作意図：90秒の商品説明動画向けに、温かみのある洗練された英語のナレーションを生成します。

プロバイダー／モデル：Cloud Text-to-Speech。現在サポートされている音声の一覧から Chirp 3 HD の音声を選択します。

台本の抜粋：

Most teams don't need more dashboards. They need one clear next step.

[pause short]

Open the workspace, choose the customer journey, and Montage builds the first cut: scenes, voice, captions, and review notes in one place.

パラメーター：

• 音声：現在の en-US Chirp 3 HD 音声を確認し、性別のラベルだけでなく、試聴に基づいて選択します。
• 音声エンコーディング：編集用には LINEAR16、手早くプレビューする場合は MP3 を使用します。
• 話速：1.0から始めます。選択した音声がこの設定に対応しており、読み上げが所定の時間に収まらない場合にのみ調整します。
• 分割：シーンまたは段落ごとに1ファイルにします。

期待される結果：

• 編集で組み立てるのに適した、自然なナレーション素材。
• 各音声ファイルをテキスト、音声、モデル、設定、リージョン／エンドポイント、生成日に関連付けるマニフェスト。

失敗例：

• ポーズタグが無視される、または使いすぎる。
• ブランド名や製品名の発音が正しくない。
• 単独で聞くと自然でも、映像に合わせると遅すぎる、または明るすぎる。
• 選択したエンドポイントがデータレジデンシー要件を満たさない。

応用例：

• 標準に基づく発音／ポーズのマークアップが必要な場合は、対応する音声で SSML を使用します。
• 自然言語によるスタイル指定が現在のドキュメントでサポートされており、プロジェクトが料金や提供開始段階の制約を許容できる場合は、代わりに Gemini-TTS を検討します。

例：同意を得たローカライズ向けカスタム音声

制作意図：役員が承認した社内研修シリーズ向けに、スペイン語とフランス語の合成音声トラックを作成します。

プロバイダー／機能：Chirp 3 Instant Custom Voice。組織が許可リストに登録されている場合に限ります。

前提条件：

• 役員からの書面による許可、および法務／広報による承認。
• Google が定める要件に従って録音した、公式の同意声明。
• 同意音声と同じ環境で、明瞭に録音した単一チャンネルの参照音声（最長10秒）。
• 目標言語への変換が現在のドキュメントでサポートされていることの確認。

ワークフロー：

1. 同意記録と参照音声を、承認済みの Cloud Storage の場所に保存します。
2. 公式 API のワークフローを使用して、音声クローンキーを生成します。
3. キーへのアクセスを制限し、監査できる状態に保ちます。
4. 翻訳した台本を、長さとトーンに合わせて調整します。
5. 行ごと、またはシーンごとに音声を合成します。
6. 音声の権利者または指定されたレビュアーに最終音声を承認してもらいます。

期待される結果：

• 汎用的ななりすましの許可ではなく、承認された社内利用向けの管理された合成音声素材。

重大な失敗例：

• 本人の直接の同意を得ずに、アーカイブ音声や公開音声を使用する。
• 許可リストへの登録を法的な承認とみなす。
• 同意が社内利用限定であるにもかかわらず、合成音声を外部広告で公開する。
• 合成されたアイデンティティの使用について、必要な開示や管理を怠る。

品質レビューのチェックリスト

STT の場合：

• 言語／モデル／リージョン／方式が適切である。
• 元の音声が聞き取りやすく、メタデータが有効である。
• 重要な名前、数字、引用、主張を人が確認している。
• タイムスタンプが目的の編集／字幕作業に使用できる。
• 字幕がプラットフォームの行の長さ、読み上げ速度、句読点、話者交代の規則を満たしている。
• データロギング、リージョン、保持期間、IAM の選択がクライアントの要件に合致している。

TTS の場合：

• 音声の系統と具体的な音声が、クリエイティブ上の役割に合っている。
• 提供開始段階、リージョン、エンドポイント、クォータ、料金を確認している。
• 台本が読み上げ用に書かれている。
• 発音の難所に対処している。
• 編集可能なセクションに分けて音声を生成している。
• 最終レビューは単独の音声だけでなく、映像やミックスに合わせて行っている。
• 合成音声／カスタム音声の権利と開示要件を満たしている。

参照元アンカーの確認日：2026-07-10

• Cloud Speech-to-Text Chirp 3 Transcription：https://docs.cloud.google.com/speech-to-text/docs/models/chirp-3
• Cloud Speech-to-Text V2 の字幕：https://docs.cloud.google.com/speech-to-text/docs/caption-support
• Cloud Speech-to-Text のストリーミングガイド：https://docs.cloud.google.com/speech-to-text/docs/streaming-recognize
• Cloud Speech-to-Text のトラブルシューティング：https://docs.cloud.google.com/speech-to-text/docs/troubleshooting
• Cloud Speech-to-Text の割り当て：https://docs.cloud.google.com/speech-to-text/docs/quotas
• Cloud Speech-to-Text の料金：https://cloud.google.com/speech-to-text/pricing
• Cloud Speech-to-Text のデータロギング：https://docs.cloud.google.com/speech-to-text/docs/v1/data-logging
• Cloud Speech-to-Text の移行/V2：https://docs.cloud.google.com/speech-to-text/docs/migration
• Cloud Speech-to-Text のベストプラクティス：https://docs.cloud.google.com/speech-to-text/docs/best-practices
• Cloud Text-to-Speech の基本：https://docs.cloud.google.com/text-to-speech/docs/basics
• Cloud Text-to-Speech でサポートされている音声と言語：https://docs.cloud.google.com/text-to-speech/docs/list-voices-and-types
• Cloud Text-to-Speech Chirp 3 HD：https://docs.cloud.google.com/text-to-speech/docs/chirp3-hd
• Cloud Text-to-Speech Gemini-TTS：https://docs.cloud.google.com/text-to-speech/docs/gemini-tts
• Cloud Text-to-Speech Instant Custom Voice：https://docs.cloud.google.com/text-to-speech/docs/chirp3-instant-custom-voice
• Cloud Text-to-Speech の長文音声合成：https://docs.cloud.google.com/text-to-speech/docs/create-audio-text-long-audio-synthesis
• Cloud Text-to-Speech のストリーミング合成：https://docs.cloud.google.com/text-to-speech/docs/create-audio-text-streaming
• Cloud Text-to-Speech の料金：https://cloud.google.com/text-to-speech/pricing
• Cloud Text-to-Speech の割り当て：https://docs.cloud.google.com/text-to-speech/quotas