Googleは2026年8月26日、Gemini 3.5 Transcribeを発表した。これは、リアルタイムの音声文字起こしとインテリジェントな音声インタラクション向けに設計された新しい音声テキスト変換モデルだ。同社によると、このモデルは単に生音声を単語に変換するだけでなく、周波数や言い直しを処理し、専門用語を認識し、すぐに利用できる形式に近い整形済みテキストを出力する。
このモデルは、音声エージェント、リアルタイム翻訳・字幕ツール、録音後の通話や会議を分析する処理パイプラインを構築する開発者を対象としている。Gemini APIを通じてGoogle AI Studioで利用できるほか、Gemini Enterprise Agent Platformでも利用できる。
異なる用途に対応する2つのAPI
Googleはこのモデルを2つの別々のAPIで提供している。1つ目は、gemini-3.5-transcribe-liveモデルを使用するLive APIで、1秒未満のレイテンシーによる継続的な双方向ストリーミングを提供するため、インタラクティブな音声会話アプリケーションに適している。2つ目は、gemini-3.5-transcribeモデルを使用するInteractions APIで、録音、会議、通話記録を処理し、話者の特定と単語単位のタイムスタンプ付与に対応する。
Googleによると、Gemini 3.5 Transcribeは、会話中に予定や単語を変更するような言い直しを処理し、「えーと」などのフィラーワードを削除して、テキストを自動的に整形できる。また、専門用語や通常とは異なる綴りを認識するために入力できるカスタム語彙にも対応し、方言や地域ごとのアクセントを扱いながら、85以上の言語の検出と文字起こしをサポートする。
録音された音声では、このモデルはタイムスタンプ付きで最大3人の話者に発話を割り当てる一方、3人を超える話者への対応はまだ実験段階にある。また、ストリーミング中の言語切り替えにも対応できる。これは多言語の会話で重要な機能だが、情報源は対応するすべての言語や各言語の性能の限界について詳細を示していない。
Chirp 3と比較した性能数値
Googleが引用するArtificial Analysisの測定によると、このモデルの平均単語誤り率は、ストリーミングの場合で4.0%、非ストリーミングのユースケースで2.6%だった。複数の言語と地域を対象とするFLEURSベンチマークでは、ストリーミングで5.50%、非ストリーミングで5.04%の単語誤り率を記録した。同社は、最終版の文字起こしが得られるまでのレイテンシーが、従来の文字起こしモデルであるChirp 3と比べて70%改善したとしている。
これらの数値は、精度と速度の両面での向上を示しているが、結果があらゆる音声環境で同一になることを意味するわけではない。結果は、ベンチマーク、言語、録音品質、話者数、ノイズレベルに左右される。また、情報源はArtificial Analysisの手法を詳しく説明しておらず、言語別の完全な結果表も提供していない。
Googleのインターフェースから開発者ツールまで
GoogleはすでにGeminiアプリと一部のAndroidの試験機能でこのモデルを使用しており、その中には、会話を整形済みテキストに変換し、フィラーワードの削除、修正、音声による文章スタイルの変更を可能にするRambler機能も含まれる。macOS版のGeminiアプリでは、音声コマンドが画面のコンテキストを利用して、ローカルファイルの要約、アプリ間でのテキストの再利用、他のGeminiモデルを呼び出した画像生成などのタスクを実行できる。
Google Antigravityは、ユーザーの許可を得たうえで画面のコンテキストと会話履歴を使用し、アクティブなファイルやドキュメントの名前、エージェントのアイデアの認識を改善する。また、Google AI StudioのBuildモードでは、音声を使ってアプリケーションを構築するためにこのモデルへアクセスできる。Googleによると、あらゆるウェブフォームで利用できる音声入力機能は、まもなくChromeに登場する。
実際に何が変わるのか？
最も重要な変化は、音声文字起こしが単なる初期的な書き起こしの工程から、発話を理解し、整え、アプリケーションのコンテキストに結び付けるレイヤーへと移行することだ。開発者にとっては、修正やフィラーワードごとに個別の処理を必要としない音声インターフェースを構築でき、製品の性質に応じてリアルタイムストリーミングまたはアーカイブ済み録音を選択できることを意味する。
Gemini 3.5 Transcribeは現在、Google AI StudioのGemini APIおよびGoogle Antigravityを通じて開発者向けに、またGemini Enterprise Agent Platformを通じて企業向けに、パブリックプレビューで提供されている。その後、Gemini Enterprise for Customer Experienceにも提供される予定だ。ユーザー向けには、macOS版Geminiアプリで英語に対応しているほか、Ramblerは一部の国と言語でAndroidに提供されており、Chromeへの提供も予定されている。