Google、「Gemini 3.5 Transcribe」を発表 ～「あー」「えーっと」まじりの声も話者の意図をくんだ整ったテキストに

Google、音声認識モデル「Gemini 3.5 Transcribe」を発表

　米Googleは8月26日（現地時間、以下同）、新しい音声認識モデル 「Gemini 3.5 Transcribe」 を発表した。音声をテキストへ変換するもので、同社がこれまでに開発した音声認識モデルのなかでもっとも高精度だ。

　「3.5 Transcribe」の特徴は、前代の「Chirp 3」をはじめとする従来モデルが苦手としていた背景の雑音や専門用語、言い淀みの処理を改善している点にある。精度、自然さ、リアルタイム性が大幅に向上しており、ノイズやフィラーの除去、専門用語の認識までを自動で行える。聞こえたとおりに書き起こすだけでなく、話し手の意図をくんだテキストを出力するのが魅力だ。

• スマート文字起こし：「火曜日に会いましょう、あー、いや水曜日で」といった言い直しを「水曜日に会いましょう」などと賢く書き起こし。「えーと」「あの」といったつなぎ言葉（フィラー）を取り除き、書式も自動で整える
• より高い精度：「Artificial Analysis」の計測によると、単語誤り率（WER）の平均はストリーミングで4.0％、非ストリーミングで2.6％。雑音の多い実環境でも強く、郵便番号や注文IDのような英数字の並びも正確に拾う
• カスタム語彙：あらかじめ登録しておいた専門用語や独自の綴りに合わせて書き起こし
• 多言語対応：85以上の言語を自動で検出。地域なまりや方言にも対応
• 複数話者の識別：録音音声では、最大3人までの発話をタイムスタンプ付きで話者ごとに振り分けられる（4人以上は実験的な対応）
• 関数呼び出し：画像生成やファイル分析といった処理は、関数呼び出しでほかの「Gemini」モデルへ委譲できる。現時点ではmacOS版「Gemini」アプリで利用可能

「FLEURS」ベンチマークにおけるストリーミング時の単語誤り率（低いほど高精度）。「3.5 Transcribe Live」は5.50％

「FLEURS」ベンチマークにおける非ストリーミング時の単語誤り率。「3.5 Transcribe」は5.04％

　速度の面でも、「Chirp 3」から大きく前進している。「Artificial Analysis」の計測によると、最終的な書き起こしが得られるまでの時間は70％短縮された。

　「3.5 Transcribe」は同社サービスを介して、一般ユーザーに提供される。いずれは音声入力（ディクテーション）を必要とする場面で恩恵を受けられるだろう。

• 「Gboard」（Android）：一部の国と言語で提供される新しい口述筆記機能「Rambler」を介したテキスト入力に利用。誤字を直したり、文体を変えたりすることも
• 「Gemini」アプリ（macOS）：英語で利用可能。話した内容を整ったテキストに。画面の内容と組み合わせた音声コマンドにも対応。前述の関数呼び出しで難しい処理もこなす
• 「Google Chrome」：近日対応予定。あらゆるWebの入力欄で音声入力が可能に

　開発者向けには、「Google AI Studio」の「Gemini API」と「Google Antigravity」でパブリックプレビューとして提供され、以下の2種類のAPIを利用できる。

• リアルタイムストリーミング：「Live API」経由で、1秒未満の遅延による双方向の連続ストリーミングを実現（モデル名：gemini-3.5-transcribe-live）
• 録音音声の処理：「Interactions API」経由で、会議の録音や通話ログなどを、話者の振り分けと単語単位のタイムスタンプ付きで書き起こす（モデル名：gemini-3.5-transcribe）

　企業向けには「Gemini Enterprise Agent Platform」でパブリックプレビューを開始。「Gemini Enterprise for Customer Experience」にも近日対応する。