Geminiアプリで音声・動画ファイルをアップロード — マルチモーダルAI活用ガイド

2026年最新 — ファイルアップロード制限一覧

• 動画：Free版は5分 / Pro・Ultraは1時間：

  1ファイル最大2GB、1プロンプトに最大10ファイル。動画は約70トークン/フレームを消費するため、長い動画はトークン上限に達しやすい。Pro版（$19.99/月）なら1時間の会議録画もそのまま処理可能。

• 音声：Free版は10分 / Pro・Ultraは3時間：

  3時間の会議や講演を丸ごとアップロードして文字起こし・要約が可能。対応フォーマット：MP3、WAV、AAC、FLAC、M4A、OGG、OPUS等。高音質（FLAC/WAV）のほうが文字起こし精度が向上。

• コンテキストウィンドウ：Free版128K / Pro・Ultra版100万トークン：

  100万トークンは約700,000字相当。長時間の音声や動画を余裕を持って処理できる。ファイルは48時間でサーバーから自動削除。

Gemini 2.5の音声認識精度 — 業界最高水準

• YouTubeの英語音声：エラー率4.9%：

  OpenAI Whisper v3やGoogle USMを上回る精度。多言語ベンチマーク（FLEURS）でもエラー率7.6%と最高水準を記録。

• 60分動画の視覚＋音声同時理解：

  Gemini 2.5は最大60分の動画を視覚フレームと音声の両方で同時に処理。映像内のテキストや物体を認識しながら、音声も文字起こしする。動画理解ベンチマークでGPT-4.1を凌駕。

• ネイティブ音声出力：24言語以上・30種類のHD音声：

  テキスト読み上げ（TTS）も進化し、感情表現や声のスタイル制御が可能に。ライブ音声翻訳ではイントネーション・ペース・ピッチまで保持。

競合AIとのマルチモーダル機能比較

• Gemini（Google）：

  音声アップロード ✅ / 動画アップロード ✅ / ライブ音声・映像入力 ✅。ネイティブマルチモーダル設計。消費者アプリで音声＆動画の直接アップロードに対応する唯一の主要AIプラットフォーム。

• ChatGPT（OpenAI）：

  音声アップロード ❌（ボイスモードでリアルタイム音声のみ）/ 動画アップロード ❌（画像のみ）。汎用的なバランスが強み。

• Claude（Anthropic）：

  音声アップロード ❌ / 動画アップロード ❌。テキスト・画像・PDFに特化。ドキュメント分析と構造化データ推論に強い。

WEBディレクターの実務活用シーン

• 会議録画の自動議事録：

  Zoomやオンライン会議の録画（MP4）をアップロード → 話者識別付きの議事録を自動生成。「発言者名、会社名、役職も推定して」と指示すれば、タイムコード付きのエビデンスも提供。

• クライアントヒアリングの文字起こし＋要約：

  スマホで録音したクライアント打ち合わせ（M4A）をアップロード → 要件定義の草案レベルまで整理してくれる。3時間分の録音もPro版なら丸ごと処理可能。

• 競合サイトの動画コンテンツ分析：

  競合のYouTube動画やウェビナー録画をアップロード → 要点抽出＋自サイトのコンテンツ企画に活用。何を話しているか、どんなデータを引用しているかを瞬時に把握。

• ポッドキャスト・セミナーの要約記事作成：

  業界セミナーの録音をアップロード → 記事構成の下書きを生成。音声コンテンツをテキストコンテンツに変換する最速の方法。

精度を上げる実践テクニック

• 高音質フォーマットを使う：

  MP3（圧縮）よりFLACやWAV（非圧縮）のほうが文字起こし精度が高い。録音環境のノイズも精度に直結するため、クリアな録音を心がける。

• プロンプトで出力形式を明確に指定：

  「文字起こしして」だけでなく、「話者ラベル付き、タイムスタンプ付き、verbatimで文字起こしして」と具体的に指示する。JSON形式やMarkdownテーブルでの出力も可能。

• 長時間ファイルは分割を検討：

  動画は約70トークン/フレームと消費が激しい。Free版（128Kトークン）だと数分でトークン上限に達するため、長い動画は分割するか、Pro版（100万トークン）を使う。

【参照情報】

1. Google Support： Upload & analyze files in Gemini Apps
   https://support.google.com/gemini/answer/14903178
   公式のファイルアップロード対応フォーマット・制限一覧。
2. Google Developers Blog： Gemini 2.5 Video Understanding
   https://developers.googleblog.com/en/gemini-2-5-video-understanding/
   60分動画の同時処理、GPT-4.1超のベンチマーク結果。
3. Google Blog： Gemini 2.5 Native Audio
   https://blog.google/technology/google-deepmind/gemini-2-5-native-audio/
   音声エラー率4.9%、30種HD音声、ライブ翻訳の詳細。
4. 9to5Google： Google AI Pro/Ultra features comparison
   https://9to5google.com/2026/02/21/google-ai-pro-ultra-features/
   Free/Pro/Ultraの料金・機能比較。
5. OneFileApp： AI Upload Limits Compared 2026
   https://onefileapp.com/blog/ai-file-upload-limits-compared
   主要AIプラットフォームのファイル制限横断比較。