Googleは8月26日、リアルタイムの文字起こし向け音声認識モデル「Gemini 3.5 Transcribe」を発表しました。同社は、背景雑音、専門用語、言いよどみなどによって精度が落ちやすい従来の音声認識モデルと異なり、録音された生の音声を正確で整った書式のテキストへ直接変換するモデルだと説明しています。GeminiアプリやAndroidではすでに同モデルを利用した音声機能を提供しており、開発者向けにもGemini APIを通じて公開しました。
We're introducing Gemini 3.5 Transcribe, our most precise speech-to-text model yet 🔊
— Google (@Google) August 26, 2026
It turns audio into precise transcription in 85+ languages, removing filler words like "ums" and "ahs" while handling self-corrections and capturing your intent so you can get things done using… pic.twitter.com/4GgHjSd301
利用形態は2種類です。対話型の音声アプリ向けには、Live APIで「gemini-3.5-transcribe-live」を用意し、1秒未満の遅延で双方向かつ継続的に音声を処理します。録音済みの音声、会議、通話ログなどにはInteractions APIの「gemini-3.5-transcribe」を使えます。こちらは話者の識別と単語単位のタイムスタンプに対応します。
モデルは、話し手が途中で言い直した内容を扱い、「えー」「あー」といったフィラーを除去し、文章を自動整形する「スマート文字起こし」を特徴とします。利用者が指定する固有の語彙に適応し、専門用語や独自のつづりを認識できることも掲げました。85超の言語を自動検出して文字起こしし、地域のアクセントや方言にも対応するとしています。事前録音の音声では、最大3人の話者をタイムスタンプ付きで識別可能です。3人超の話者への対応は実験的機能と位置付けています。
Googleによると、Artificial Analysisの測定で平均単語誤り率（WER）はストリーミング利用時が4.0％、非ストリーミング利用時が2.6％でした。主要な言語・地域を対象にしたFLEURSベンチマークでは、ストリーミング時5.50％、非ストリーミング時5.04％のWERを記録したとしています。前世代の文字起こしモデル「Chirp 3」と比べ、新機能、誤り率、遅延を改善し、最終的な文字起こしが得られるまでの時間は70％短縮したと説明しました。
機能はGoogleの製品にも組み込まれます。AndroidのGboardでは、新機能「Rambler」を通じ、話した内容をフィラーを除いた整った文章に変換し、音声での編集、スペル修正、文体変更にも対応します。macOS版Geminiアプリでは英語で利用でき、画面上の文脈と組み合わせた音声コマンドにも使えます。Chromeでは今後、Web上の任意の入力欄に音声で入力できるようにする予定です。
開発者向けにはGoogle AI StudioとGoogle Antigravityでパブリックプレビューとして提供します。企業向けにはGemini Enterprise Agent Platformでプレビュー公開し、Gemini Enterprise for Customer Experienceへの提供も予定しています。