Gemini 3.5 Transcribe公開——85言語対応、最大3人の話者を自動識別する新音声認識モデル

Googleは公式ブログで、新しい音声認識モデル「Gemini 3.5 Transcribe」を発表しました。同社が「これまでで最も精度の高い音声認識モデル」と位置づけるこのモデルは、雑音や専門用語、話し言葉特有の言い直しに弱かった従来の音声認識とは異なり、生の音声データを直接、整形済みの正確なテキストへ変換できるのが特徴です。GeminiアプリやAndroidの音声機能「Rambler」など、Googleの自社製品ではすでにこの技術が使われ始めています。

Gemini 3.5 Transcribeとは

Gemini 3.5 Transcribeは、自然な話し方の癖を捉えた上で発話者の意図を理解し、独自の語彙も認識できるよう設計された音声認識モデルです。「火曜日に会おう——いや、水曜日で」のような言い直しをスムーズに処理し、「えーと」「あのー」といったフィラーを除去したうえで自動的に文章を整形します。さらに、画像生成やファイル解析といった複雑なタスクを他のGeminiモデルに委任するファンクションコーリングにも対応しており、現時点ではGemini macOSアプリで利用できます。

開発者向けに2種類のAPIを提供

開発者はGoogle AI StudioのGemini APIや、Gemini Enterprise Agent Platform経由でGemini 3.5 Transcribeを利用できます。用途に応じて次の2つのAPIが用意されています。

• リアルタイムストリーミング: gemini-3.5-transcribe-live を使ったLive APIにより、対話型の音声アプリ向けにサブ秒単位の低遅延で双方向ストリーミングを実現
• 録音済み音声の処理: gemini-3.5-transcribe を使ったInteractions APIにより、会議や通話記録などを話者識別・単語単位のタイムスタンプ付きで文字起こし

音声エージェントやリアルタイム字幕ツール、通話後の分析パイプラインなど、開発者が既存のワークフローに組み込みやすい設計になっている点が強調されています。

画像引用元: Google Blog

精度と多言語対応が大幅に向上

Googleによれば、Artificial Analysisの計測でストリーミング時の単語誤り率(WER)は4.0%、非ストリーミング時は2.6%を達成し、雑音の多い実環境や郵便番号・注文番号のような英数字混じりの表現でも高い精度を発揮するといいます。対応言語は85以上にのぼり、地域ごとのアクセントや方言も自然に処理します。録音済み音声では最大3人の話者を自動識別でき(4人以上は実験的サポート)、独自の語彙リストを渡すことで専門用語や固有のスペルにも適応できます。従来モデルの「Chirp 3」と比較すると、最終的な文字起こしまでの時間が70%短縮されたほか、複数言語を対象とするFLEURSベンチマークでもストリーミング時5.50%・非ストリーミング時5.04%のWERを記録し、着実な精度向上を示しています。

音声操作が当たり前になる開発現場へ

Gemini 3.5 Transcribeの登場は、音声インターフェースが特殊な機能ではなく標準的な入力手段になりつつあることを裏付けています。カスタマーサポートの通話分析や会議の議事録作成、字幕生成といった実務でこれまで人手や複数ツールの組み合わせに頼っていた作業が、単一のAPIで置き換えられる可能性が出てきました。プロダクトに音声機能を組み込みたい開発者にとっては、まずGoogle AI Studioで試してみる価値がありそうです。

Source Google Blog

Intelligent transcription with Gemini 3.5 Transcribe

Now you can get more intelligent speech-to-text transcription with Gemini 3.5 Transcribe.