Googleが音声認識モデルの最新版「Gemini 3.5 Transcribe」を公開した。背景ノイズや専門用語が混じる音声でも高精度に文字起こしできるのが特徴で、リアルタイムのストリーミング配信と、事前録音済み音声の処理という2種類のAPIから利用できる。開発者はGoogle AI StudioやGemini Enterprise Agent Platformから今日にも試せる。

何が変わったのか

前世代の音声認識モデル「Chirp 3」との比較で、最終的な文字起こし結果が出るまでの時間が70%短縮されたとGoogleは説明する。単語誤認率（WER、文字起こしの誤り率を示す指標）はストリーミング版で4.0%、非ストリーミング版で2.6%まで低下した。多言語ベンチマークのFLEURSでも、ストリーミング5.50%、非ストリーミング5.04%という数値を記録している。

対応言語は85以上に及び、話されている言語の自動検出にも対応する。話者の識別機能も搭載しており、現時点では最大3人までの複数話者を安定して聞き分けられる。3人を超える会話では実験段階の扱いになるという。

2つのAPIの使い分け

リアルタイムストリーミング版は、Live APIを通じて1秒未満の遅延で双方向通信ができる設計だ。音声アシスタントやリアルタイム字幕など、応答速度が重要な用途に向く。

一方、事前録音音声処理版は、話者ラベルと単語レベルのタイムスタンプを付与できる点が強みだ。会議の議事録作成やポッドキャストの文字起こしなど、後から内容を検索・編集する用途に適している。

開発者・ユーザーへの影響

Gemini 3.5 TranscribeはGoogle AI StudioとGemini Enterprise Agent Platformからすぐに呼び出せる。さらに、AndroidのGboardやmacOS版Geminiアプリといった消費者向けサービスへの組み込みも予定されており、音声入力全般の精度向上につながる見通しだ。

音声書き起こしはAIエージェントが会議内容を要約したり、コールセンターの通話を分析したりする際の入力データとしても使われる基盤技術であり、認識精度と速度の両方が改善されたことは、こうした周辺サービスの品質向上にも波及するとみられる。