Geminiで文字起こしする方法｜精度が崩れる条件と議事録化プロンプト設計

Geminiの文字起こしで「実際に何ができるか」を1分で整理する

Geminiの文字起こし機能を調べていると、「できる」と「できない」が混在した情報に当たることが多い。2026年9月現在の実態を整理しておく。

Geminiは音声ファイル（MP3・WAV・M4A・FLACなど）や動画ファイル（MP4・MOVなど）を直接アップロードし、テキストへ書き起こすことができる。Google AI Studio経由でAPIを利用すれば長尺ファイルにも対応しやすくなる。一方、Geminiの基本的な使い方で触れているように、Gemini.google.comのチャット画面からは音声ファイルの直接アップロードに制限があるケースがある。

Google Meetの文字起こし機能はGeminiブランドの機能として統合されており、Google Workspaceのプランに含まれる。ただしリアルタイム文字起こしとファイルベースの文字起こしは仕組みが異なる別機能として理解しておく必要がある。

今自分が試したいのが「手元の録音ファイルを書き起こしたい」なのか「Meetで自動的に文字起こしを取りたい」なのかによって、使う機能と必要なプランが変わる。無料プランでも3.6 Flashや制限付きの3.1 Proへアクセスできるが、長尺ファイルや高い利用上限が必要な場合はGoogle AI PlusやGoogle AI Proへの移行が選択肢になる（詳細はGemini公式プランページを参照）。この2系統は後述の各セクションで別々に扱う。

文字起こしを議事録にまとめる指示の出し方は、Geminiプロンプトの書き方で説明しています。

関連記事Gemini Canvasの使い方は？

基本手順：音声・動画ファイルをGeminiに渡して文字起こしする

手元に録音・録画ファイルがある場合の手順を示す。

Gemini.google.comから試す場合

1. ブラウザでgemini.google.comを開き、Googleアカウントでサインインする。
2. チャット入力欄の「＋」またはクリップアイコンからファイルをアップロードする。音声・動画ファイルの対応状況はプランや画面バージョンによって異なるため、アップロードできない場合はGoogle AI Studio（aistudio.google.com）を使う。
3. ファイルをアタッチした状態で、このファイルの内容を文字起こししてください。話者が複数いる場合は話者ごとに区別してください。のように指示する。
4. 出力されたテキストをそのままコピーし、議事録作業に使う。

Google AI Studioから試す場合（より柔軟）

1. aistudio.google.comを開き、「New prompt」から「Multimodal prompt」を選択する。
2. 「Upload file」から音声・動画ファイルをアップロードする。File APIを使えば大きなファイルも扱いやすい。
3. プロンプト欄に文字起こし指示を入力して実行する。無料枠では3.6 Flashや3.1 Proへのアクセスが用意されており、コスト・速度のバランスを見ながら選べる。

プランと機能の対応

無料プランでも基本的な文字起こしは試せる。長尺・高精度が必要な場合はGeminiの料金プランを確認した上でGoogle AI Pro（月額￥2,900）やGoogle AI Ultra（月額￥14,500〜）を検討する。

Geminiで文字起こしをする際の手段比較（2026年9月現在）

手段	向いているケース	制限・注意点
gemini.google.com（チャット）	短〜中尺の音声、手軽に試したい	ファイル形式・サイズの制限が厳しめ
Google AI Studio	長尺ファイル、API連携、精度検証	開発者寄りのUI。無料枠あり
Google Meet（Workspace連携）	会議のリアルタイム文字起こし	Business Standard以上が必要
Gemini in Google Docs	文字起こし済みテキストの整形・要約	文字起こし自体はDocsでは行わない

Google Meet連携でリアルタイム文字起こしする方法と制限

Google MeetのGemini文字起こしは、会議中に話した内容を自動でテキスト化し、会議終了後にGoogle Driveへ保存する機能だ。

利用できる条件

• Google Workspace Business Standard・Business Plus・Enterprise・Education Plus以上のプランに含まれる（Google公式ヘルプで要確認）。
• 会議のホストまたは共同ホストが機能をオンにする必要がある。
• 参加者は文字起こしが行われている旨の通知を受け取る（プライバシーの観点から自動的に通知される）。

開始手順

1. Meetの会議中、画面右下の「活動」アイコン（または「その他のオプション」）を開く。
2. 「文字起こし」を選択して開始する。
3. 会議終了後、文字起こしファイルはマイドライブの「Meetの録音」フォルダに自動保存される。

現実的な制限

Meetの文字起こしは日本語に対応しているが、複数人が同時に話す場面や、背景ノイズが多い環境では精度が落ちやすい。また話者の識別（誰が何を言ったか）の精度は、参加者が同じ端末のマイクをまとめて使う場合に特に低下する。この点は次のセクションで詳しく扱う。

Workspace以外のアカウントでMeet文字起こしを使いたい場合は、Gemini無料プランの制限を確認してほしい。Google Workspace連携の詳細は別記事で取り上げているため、本記事では文字起こし精度に関わる技術的な部分に絞る。

文字起こし精度が崩れる3つの条件と対処法

「試してみたが使い物にならなかった」という話は、多くの場合この3条件のどれかに当たっている。文字起こしが崩れるのは、Geminiの「問題」というよりも、音声→テキスト変換の仕組みから来る構造的な問題だ。

条件1：音声品質の問題（ノイズ・音割れ・遠距離）

音声認識は音響モデルを使って音声波形を音素に変換し、言語モデルで単語・文脈を補完する処理をしている。入力音声の品質が低いと音響モデルの段階で誤変換が積み重なり、言語モデルによる補正でも追いつかなくなる。

崩れやすい場面：スマホを机に置いたまま遠距離で収録 / 空調・人声が混じる会議室 / 音割れした音声

対処：

• マイクと話者の距離を30〜50cm以内にする（スマホ収録ならテーブルに置かず手に持つか、クリップ型マイクを使う）。
• 録音前に空調を止めるか、ノイズキャンセリング機能のあるヘッドセット・外付けマイクを使う。
• 音割れは後処理での復元が難しいため、録音レベルを事前にチェックする（ピーク時に-3dBを超えない目安）。

条件2：話者の重なりと分離の問題

複数話者が同じ音声チャンネルに混在している場合、話者分離（ダイアライゼーション）は別処理として行われるが、同時発話や話者の切り替わりが速い場合は分離精度が下がる。特に「うん」「そうですね」の相槌が被る場面は、話者ラベルが誤って付与されやすい。

対処：

• インタビュー・取材のように1対1の対話形式であれば、話者ごとに別チャンネルで録音する（ICレコーダーの2チャンネル機能、またはZoomの「オーディオを個別に録音」設定を使う）。
• どうしても混合音声になる場合は、文字起こし後のプロンプトで話者を手動補正する（「発言1は話者Aです」のように文脈を与えて再整形する）。

条件3：専門用語・固有名詞・非標準的な発音

言語モデルは学習データに基づいて「この音はこの単語のはずだ」と補完する。製品名・社内用語・業界特有の略語・方言・非ネイティブの発音は、学習データに少ないため誤変換率が上がる。「SaaS」が「サース」「サーズ」と表記ゆれしたり、社名が全く別の単語に置き換わったりするのはこの理由だ。

対処：

• 文字起こしプロンプトの冒頭に用語リストを渡す。例：以下の専門用語が登場します：[用語1, 用語2, 用語3]。これらが音声に含まれていたら正確に書き起こしてください。
• 出力後に誤変換箇所を見つける方法は次の通り。①固有名詞リストとの照合（Ctrl+Fで一括確認）。②「??」「〜〜」「…」のような文字化けパターンの検索。③文脈が不自然に途切れている箇所（急に話題が変わる部分は話者の意図でなく誤認識の可能性がある）。
• 音声の速度が速い場合は、再生速度を0.8倍に変換してから渡すと精度が上がることがある。

なお、音声→テキスト処理のモデル改善において、スペクトログラムを用いた疑似音データ生成技術（特許6452061）のような学習データ拡張のアプローチは、こうした学習不足の発音パターンへの対処として研究が進んでいる分野だ。

文字起こし→議事録・要約・アクションアイテム抽出まで一気通貫のプロンプト設計

Geminiの強みは、文字起こしと後処理を同一セッションで完結できる点にある。「文字起こしツール」として単体で使うより、「文字起こしから議事録完成まで」を1本のチャットで回す使い方の方が実用的だ。

ステップ1：文字起こし指示（精度を上げる基本プロンプト）

以下の音声ファイルを文字起こしして下さい。

【条件】
- 話者が複数いる場合は「話者A：」「話者B：」のように区別する
- 聞き取れない部分は[不明]と記載する
- 専門用語：[ここに用語リストを記載]
- 相槌・フィラー（「えー」「あのー」）は省略してよい

ステップ2：生テキストの品質チェック（信頼性確認）

文字起こし出力を受け取ったら、そのまま次の処理に流さず、まず以下を確認する。

• [不明]の箇所が多い → 音声品質の問題。元音声を聞き直してプロンプトを再実行するか、当該箇所を手動で補完する。
• 話者ラベルが途中から混乱している → 話者が入れ替わった会話ブロックを手動で補正してから次のステップへ進む。
• 固有名詞の誤変換 → 用語リストを追加して再実行する。

ステップ3：議事録・要約・アクションアイテムの一気通貫プロンプト

生テキストが確認できたら、同じチャットセッションで次のプロンプトを続ける。

上記の文字起こしをもとに、以下の形式で議事録を作成してください。

【会議情報】
- 日時：[入力]
- 参加者：[入力]
- 目的：[入力]

【出力形式】
## 1. 決定事項
（箇条書きで）

## 2. 議論のサマリー（400字以内）
（話題ごとの要点）

## 3. アクションアイテム
| 担当者 | タスク内容 | 期限 |
|---|---|---|

## 4. 次回確認事項
（次回会議で確認すべき未解決の論点）

【注意】文字起こしに[不明]がある場合は、議事録にも[確認要]と記載すること。

このプロンプトを使うと、文字起こしから議事録完成まで5〜10分で完結する。[不明]を[確認要]に引き継ぐ設計にすることで、誤認識箇所がサイレントに議事録に混入するリスクを抑えられる。

Geminiへの指示の書き方全般についてはGeminiの使い方の基本を参照してほしい。より高度なプロンプト設計はGemini Deep Researchの活用でも触れている。

想定シナリオ：インタビュー録音をGeminiで議事録化する場合の実務チェックリスト

以下は、取材・インタビューでの利用を想定した訓練用の例示シナリオだ。実在の顧客事例や成果数値ではない。

シナリオ設定：IT担当者A氏が、社内ツール導入についてベンダー担当者B氏に30分のオンラインインタビューを行った。録音はZoomの自動録音（MP4）で取得している。

このシナリオでGeminiの文字起こしを使う前に確認すべき実務チェックリストを示す。

Gemini文字起こし前の実務チェックリスト

チェック項目	確認内容	OKの基準
音声品質	冒頭30秒を再生し、声が明瞭に聞こえるか	BGMや機械音なし、声がはっきり聞こえる
話者分離	A氏とB氏の声が別トラックか、混合か	別トラックであればプロンプトで話者指定が可能
専門用語	会話に含まれる固有名詞・製品名をリストアップ	5〜10語をプロンプトに事前提示できる状態
ファイルサイズ	30分MP4の容量（典型的には200〜500MB）	Gemini.google.comで制限に引っかかる場合はAI Studioへ
機密情報の扱い	録音内容に個人情報・社外秘が含まれるか	Workspaceの組織アカウント利用・データ保護設定を確認

つまずきやすい場面と切り返しの例（例示）：

想定シナリオとして、文字起こし後に「話者AとBが混在しており、誰の発言か不明な行が多い」という状況が起きたとする。

この場合の対処は、生テキストの冒頭でGeminiに文脈を与えることだ。

この文字起こしは2人の会話です。
- IT担当者Aの発言は質問や確認の形が多い
- ベンダーBの発言は製品説明や数値の提示が多い
上記を手がかりに話者ラベルを再度整理してください。

観察ポイント（この場面で何を確認するか）：

• 話者の切り替わりタイミングでラベルが正しく変わっているか
• [不明]箇所が文意に関わる重要な発言でないか
• 製品名・数値の誤変換が議事録に引き継がれていないか

Gemini文字起こしが向く用途・向かない用途の判断基準

自分のケースで使えるかどうかを判断するための基準をまとめる。

向いている用途

• 1対1のインタビュー・取材：話者が少なく、マイクを適切に設置できる場面。精度が出やすい。
• オンライン会議（Zoom・Teams）：各参加者が個別マイクを使うため、ローカル録音より音質が安定しやすい。
• 自分の音声メモ・ボイスメモ：単一話者・近距離・静音環境であれば精度が最も高い。
• 文字起こしの後処理（要約・議事録化）：テキストが得られた後の加工はGeminiが特に得意な領域。

向かない用途（または追加の工夫が必要）

• 対面の多人数会議：テーブルの中央に置いたスマホ1台での録音は、話者分離の精度が下がりやすい。話者ごとにピンマイクを使うか、後で手動補正する前提で使う。
• 専門用語が密集する医療・法律・技術会議：用語リストの事前提示は有効だが、稀少な固有名詞は誤変換が残る可能性がある。最終確認は必須。
• 方言・非ネイティブ日本語の多い会話：現状の精度では、標準的な発音からの乖離が大きい場合に誤変換率が上がる。重要な内容は元音声との照合を残しておく。
• 守秘義務の高い会話：Googleのデータ保護ポリシーと組織のセキュリティ規定を確認した上で利用を判断する。

2026年9月現在、Geminiアプリは無料プランに加えてGoogle AI Plus・Google AI Pro・Google AI Ultraが用意されており、上位プランでは使用量上限が引き上げられるほか、Google AI Proでは最大1,500ページのファイルをアップロードできるなど、長時間の会議音源や大量の文字起こしテキストを扱う場合に条件が有利になる。プランごとの詳細はGemini公式プランページで確認できる。

Geminiの各プランの機能比較についてはGemini比較記事でまとめている。またGemini Gemsを使ったカスタム設定を組み合わせることで、文字起こし後の処理ステップを定型化しやすくなる。

---

DeepAIについて（利益相反の開示）

本記事はクリスタルメソッド株式会社が運営しています。同社はAI対話システム「DeepAI」（バーチャルヒューマン・AIロープレ・音声合成）を開発・運用しており、本記事の内容と利益相反の関係があります。DeepAIは受講者の表情・感情・緊張度を発話タイムラインに沿って解析・可視化する機能を持つロープレ練習・AI面接プラットフォームです。Geminiとの連携や音声AIの仕組みに関心がある方はこちらからご確認ください。

---

参考文献

• Google Gemini API — Models: https://ai.google.dev/gemini-api/docs/models
• Google Gemini Subscriptions: https://gemini.google/subscriptions/
• Google AI Plans（Google One）: https://one.google.com/about/google-ai-plans/