Googleは音声認識モデル「Gemini 3.5 Transcribe」を公開した。リアルタイム文字起こしや録音音声の処理に対応し、85以上の言語、自動整形、専門用語認識などを備える。開発者向けにはGemini APIなどでパブリックプレビューを開始した。
85言語対応、低遅延で音声を整形
2026年8月26日に公開されたGemini 3.5 Transcribeは、音声を単に文字へ変換するのではなく、言い直しや「えー」「あー」といったフィラーを処理し、整形済みのテキストとして出力するモデルだ。利用者が指定したカスタム語彙にも適応し、専門用語や固有の綴りを認識できるほか、地域アクセントや方言を含む85以上の言語を自動判別する。
APIは用途別に2系統を用意した。Live APIの「gemini-3.5-transcribe-live」は双方向ストリーミングと1秒未満の遅延に対応し、音声エージェントやリアルタイム字幕向けとなる。一方、Interactions APIの「gemini-3.5-transcribe」は会議や通話記録などの録音音声を処理し、話者識別と単語単位のタイムスタンプを付与する。
Artificial Analysisの測定では、平均WER（※）はストリーミングで4.0％、非ストリーミングで2.6％だった。従来モデルChirp 3との比較では、最終文字起こしまでの時間も70％改善したとしている。
GoogleはこのモデルをGemini APIやGemini Enterprise Agent Platformなどでパブリックプレビューとして提供する。AndroidのRamblerでは音声から文章の整形や修正、文体変更が可能で、GeminiアプリのmacOS版ではファイル分析や画像生成などを音声で指示できる。今後はChromeにも展開し、Web上の入力欄へ直接話して文字を入力できる機能を提供する予定だ。
※WER：Word Error Rateの略。音声認識結果に含まれる単語の置換・削除・挿入の誤りを基に算出する指標で、一般に数値が低いほど文字起こし精度が高いことを示す。
音声がAI操作の入口へ 利便性と権限管理が焦点
Gemini 3.5 Transcribeの強みは、文字起こしの高精度化によって、音声入力を文章作成やAI操作へ直結させやすくなる点にある。話し言葉特有の言い直しやフィラーを自動処理できれば、利用者が後から文章を修正する負担は減り、会議記録や業務メモ、音声エージェントなど幅広い用途で効率化が期待できる。
一方、音声入力がファイル分析や画像生成、ブラウザー操作など他のAI機能と結び付けば、AIがどの情報へアクセスし、どこまで処理を実行できるのかを利用者が把握できる設計も重要になる。利便性を高めながら、権限管理や情報利用の透明性をどこまで確保できるかが導入時の課題となるだろう。
今後、音声入力がブラウザーや業務アプリへ広く組み込まれれば、「話すこと」が検索や文章入力だけでなく、AIに業務を実行させる共通操作へ発展する可能性がある。音声認識の競争軸も、文字変換の精度だけでなく、文脈理解や他機能との連携を含む総合的な操作体験へ移っていくと考えられる。
Google 「Intelligent transcription with Gemini 3.5 Transcribe」
関連記事:
GoogleがGemini Live刷新 複数アプリ跨ぎ音声でタスク実行
OpenAI、新音声モデル「GPT-Live」公開 より自然な会話と高度な推論を両立
