Google、次世代の音声認識モデル「Gemini 3.5 Transcribe」を発表　言い直しの自動補正や85言語に対応

要点

• 米Googleが最新の音声認識モデル「Gemini 3.5 Transcribe」を発表した。

• 話し言葉の言い直しや不要なつなぎ言葉を自動で修正・整形し、高精度な文字起こしを行う。

• リアルタイム用の「Live API」と録音データ処理用の「Interactions API」の2種類で提供される。

• 前世代モデル「Chirp 3」と比較して確定までの時間を70%短縮し、認識精度も向上した。

• 米Googleは現地時間2026年8月26日、音声からテキストへの変換を行う最新のAIモデル「Gemini 3.5 Transcribe」を発表した。生音声から直接、文脈を考慮して整形されたテキストを出力できるのが特徴だ。同社は開発者向けプラットフォームを通じてAPI提供を開始しており、対話型アプリや録音データの解析などに組み込むことができる。

リアルタイムと録音データ処理の2系統でAPIを提供

Gemini 3.5 Transcribeは、用途に応じた2つのAPI形式で提供され、開発者のワークフローにシームレスに組み込めるよう設計されている。

1つ目は、対話型音声アプリケーション向けに設計されたリアルタイムストリーミングAPI「Live API」だ。モデル名「gemini-3.5-transcribe-live」を使用し、1秒未満の低遅延で連続的な双方向ストリーミング処理を実現する。

2つ目は、録音された会議や通話ログなどの処理に向けた「Interactions API」である。モデル名「gemini-3.5-transcribe」を使用し、話者ごとの発言分離や、単語レベルのタイムスタンプを付与した書き起こしが可能となっている。

これらのモデルはGoogle AI StudioやGemini Enterprise Agent Platformで利用できる。なお、同モデルの技術はAndroidの機能「Rambler」やmacOS版Geminiアプリなど、同社製品でも先行して導入されている。

自然な発話に対応するスマート機能と多言語対応

Gemini 3.5 Transcribeは、人間が話す自然なスタイルを捉え、ユーザーの意図を正確に理解することを目指して設計されている。

従来の音声認識モデルで課題となりやすかった発話の言い淀みや修正に対して、同モデルは「スマート文字起こし（Smart transcription）」と呼ばれる機能を備える。「火曜日に会おう、いや水曜日だ」といった発話中の言い直しを自動補正するほか、「えーと（ums）」や「あのー（ahs）」といったフィラー（会話の合間に挟まれるつなぎ言葉）を削除し、整った形式へテキストを自動整形する。

また、専門用語や独自の表記に対応する「カスタムボキャブラリ」機能を備え、85以上の言語の自動検出と文字起こしにも対応している。地域ごとのアクセントや方言の認識も可能だ。

事前録音された音声の処理では、最大3人までの話者を識別してタイムスタンプとともに記録できる（3人を超える話者の識別は実験的対応とされている）。さらに、画像生成やファイル分析といった複雑な処理を他のGeminiモデルへ委譲する「Function Calling（外部機能や別モデルの呼び出し）」にも対応しており、現在はmacOS版Geminiアプリで利用できるという。

前世代モデル「Chirp 3」からの精度向上とレイテンシ改善

認識精度と処理速度の面でも大きな進化が見られる。独立系AI評価機関のArtificial Analysisによる測定によると、単語誤り率（WER：認識誤りの割合を示す指標で、数値が低いほど高精度）はストリーミング処理で平均4.0%、非ストリーミング処理で平均2.6%を記録した。騒音の多い実環境でも強みを発揮し、郵便番号や注文IDなどの英数字も正確に認識できるとしている。

Googleの以前の音声認識モデル「Chirp 3」との比較では、最終テキスト確定までの所要時間が70%短縮された。主要言語と地域を対象とした多言語音声ベンチマーク「FLEURS」における測定でもChirp 3を上回る精度を達成し、ストリーミングで5.50% WER、非ストリーミングで5.04% WERを記録したと報告されている。