Google は 2026 年 8 月 26 日 (現地時間)、新しい音声認識モデル「Gemini 3.5 Transcribe」を発表しました。
従来の文字起こしモデルの Chirp 3 から大幅に性能が向上しており、雑音や専門用語、言い直しの多い発話にも対応する高精度な音声認識モデルと位置づけられています。
Gemini 3.5 Transcribe には、用途に応じた 2 種類の API があります。
- リアルタイム配信向けの Live API (gemini-3.5-transcribe-live): 低遅延での音声対話、双方向のストリーミングに対応
- 録音済み音声向けの Interactions API (gemini-3.5-transcribe): 会議や通話ログなどの音声データを話者ごとに分けて書き起こし、単語単位のタイムスタンプを付与可能
いずれも音声を扱う開発者向けのワークフローを想定しており、リアルタイムと録音済みという 2 つの用途に対応しています。
認識精度と対応言語
Gemini 3.5 Transcribe は、郵便番号や注文 ID のような英数字混在の情報も、雑音のある実環境下で正確に認識できるとしています。対応言語は 85 以上、地域ごとのアクセントや方言にも対応します。
また、話者識別は録音済み音声で最大 3 人まで対応し、4 人以上への対応は実験的な機能と位置づけられています。
このほか、指定した専門用語や独自の表記をあらかじめ登録できるカスタム語彙機能も備え、「あー」や「えー」といったフィラーワードの除去、文章の自動整形にも対応し、発話の言い直しにも自然に対応します。
なお、Artificial Analysis の分析によると、文字起こしの単語誤り率はストリーミング用途で 4.0%、非ストリーミング用途で 2.6% とされています。文字起こしにかかる時間も 70% 短縮され、他言語でも Chirp 3 を上回るパフォーマンスを発揮すると説明されています。
対応サービスと展開状況
Gemini 3.5 Transcribe は、Search Live、Gemini Live、Gemini アプリ、Gboard で一般ユーザー向けに段階的に展開されています。
このうち Gboard では、Pixel 11 シリーズで導入された音声入力機能「Rambler」で利用可能で、日本語もすでに対応しています。
macOS 版の Gemini アプリでは英語での提供が始まっており、画面の内容と組み合わせて他の Gemini モデルを呼び出す機能連携にも対応しています。この連携機能については、今後 API での対応も予定されています。
Chrome への対応は今後予定されており、対応が始まればウェブ上の任意の入力欄で音声入力が可能になります。
開発者向けには、Google AI Studio の Gemini API と Google Antigravity ですでにプレビュー版として利用できます。企業向けには Gemini Enterprise Agent Platform でプレビュー提供が始まっており、Gemini Enterprise for Customer Experience への対応も予定されています。
