Google DeepMindがリアルタイム音声テキスト変換向けにGemini 3.5 Transcribeを発表

2026年8月26日

Gemini AudioのSenior Director of EngineeringであるDiego Melendo Casado氏と、Gemini AudioのChief of StaffでGemini Audio Teamを代表するLuke Leonhard氏は、Googleがこれまでで最も高精度な音声テキスト変換モデル「Gemini 3.5 Transcribe」を発表したと述べました。このモデルは、インテリジェントな音声操作向けに設計されています。

同社によると、Gemini 3.5 Transcribeは、背景ノイズ、複雑な専門用語、言いよどみの除去に課題がある従来の音声認識システムとは異なります。Googleは、このモデルが生の音声を直接、正確で洗練され、整形されたテキストに変換すると説明しており、追加の後処理を必要としない出力を求める音声ツールの開発チームにとって重要だとしています。

Googleは、GeminiアプリやAndroidなどの製品ですでにこの文字起こしモデルが使われており、Android上のRamblerやmacOS版Geminiアプリのような新しい音声機能も含まれると述べました。開発者は、Google AI StudioとGemini Enterprise Agent PlatformのGemini APIを通じて、Gemini 3.5 Transcribeで同様の機能を構築できます。

このモデルは、音声エージェント、リアルタイム字幕ツール、通話後分析パイプラインなどのワークフローに組み込めるよう設計されています。これらの領域では、遅延、整形、話者属性の付与が、文字起こしをどれだけ速く実用化できるかに影響します。Googleによると、利用できるAPIは2種類です。

• リアルタイムストリーミング: Live APIを通じて gemini-3.5-transcribe-live を使用し、対話型音声アプリ向けにサブ秒の遅延で継続的な双方向ストリーミングを提供します。
• 録音済み音声の処理: Interactions APIを通じて gemini-3.5-transcribe を使用し、録音音声、会議、通話ログなどを話者属性と単語単位のタイムスタンプ付きで文字起こしします。

機能と性能

Googleによると、Gemini 3.5 Transcribeは自然な話し方を捉え、意図を理解し、カスタム語彙を認識するよう設計されており、音声で作業を実行しやすくします。

同社は以下の機能を挙げました。

• スマート文字起こし: 「let’s meet Tuesday—no, Wednesday」のような自己修正を処理し、「ums」や「ahs」などのつなぎ言葉を除去し、テキストを自動で整形します。
• 関数呼び出し: 画像生成やファイル分析などの複雑なタスクを、関数呼び出しを通じて他のGeminiモデルに委任できます。Googleによると、これは現在Gemini macOSアプリで利用できます。
• より高精度な文字起こし: Artificial Analysisの測定では、ストリーミングで平均 Word Error Rate（WER）4.0%、非ストリーミングの用途で2.6%を達成します。Googleは、騒がしい実環境でも高い性能を示し、郵便番号や注文IDのような英数字の要素も正確に捉えられると説明しています。
• カスタム語彙: 提供されたカスタム語彙に文字起こしをシームレスに適応させ、専門用語や独自の綴りを認識します。
• グローバルな言語対応: 85以上の言語を自動検出して文字起こしし、地域アクセントや多様な方言にも対応します。
• 複数話者の識別: 録音音声では、最大3人までの話者にタイムスタンプ付きで発話を割り当てられます（3人超への対応は実験段階です）。

Googleによると、Gemini 3.5 Transcribeは、話者の言語切り替えやシームレスなストリーミング文字起こしにも対応します。同社はまた、このモデルが以前の文字起こしモデルであるChirp 3から大きく進化し、新機能、より良いWER、そして大幅に低い遅延を実現したと述べました。Artificial Analysisの測定では、最終文字起こしまでの時間が70%改善しています。FLEURSベンチマークでは、主要な言語とロケールのセットにわたり、ストリーミングモードで5.50%のWER、非ストリーミングの用途で5.04%のWERを達成したとGoogleは説明しています。

Google製品全体でのスマート文字起こし

Googleによると、Gemini 3.5 Transcribeは、Gboard、Antigravity、Geminiアプリ、Chromeなどの画面に文脈を理解する機能を加えることで、Google製品における標準的な音声テキスト変換を超えます。

Android版Gboardでは、新しいRambler機能がGemini 3.5 Transcribeを使い、つなぎ言葉を除去しながら話した内容を整形済みテキストに変換します。音声で編集、スペルミスの修正、文体の変更も行えます。

Google Antigravityでは、ユーザーの許可のもと、画面のコンテキストとチャット履歴を組み合わせ、ファイル名、エージェントの思考、開いているドキュメントにまたがる文字起こし精度を高めます。

Google AI Studioでは、BuildモードでGemini 3.5 Transcribeを利用し、音声入力でアプリを作成できます。

macOS版Geminiアプリでは、自然な発話をきれいに整形されたテキストへ文字起こしするだけでなく、画面のコンテキストと組み合わせて複雑なワークフローを支える音声コマンドにも対応します。Googleによると、このモデルはバックグラウンドで他のGeminiモデルを呼び出し、ローカルファイルの要約、アプリ間でのテキスト再利用、カーソル位置での画像生成を、音声だけで実行できます。

Chromeでも近日対応予定で、任意のウェブ入力欄で話して入力できるようになり、返信の指示、投稿の下書き、Chrome内のGeminiへの指示を、より自然かつ容易に音声で行えます。

Googleはまた、このモデルを使って、macOS版Geminiアプリ内で音声だけでファイル分析、画像生成、検索ができると述べています。

初期レビューとエコシステムの対応

Googleによると、Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel、Vision Agentsなどの開発者向けプラットフォームは、Gemini Live APIを使って音声駆動のインターフェースを構築・展開しています。これらのプラットフォームは、リアルタイムのメディアストリーミング基盤を裏側で管理するため、開発者はユーザー体験の設計に集中できます。

また、Vivo、Intellitek Health、Lingopalは、Gemini 3.5 Transcribeについて、遅延、精度、言語対応の広さを挙げて前向きな評価を共有したとGoogleは述べました。

提供状況

Googleによると、Gemini 3.5 Transcribeはパブリックプレビューで利用可能です。

• 開発者向け: Google AI StudioとGoogle AntigravityのGemini APIを通じて利用できます。
• 企業向け: Gemini Enterprise Agent Platformを通じて利用でき、Gemini Enterprise for Customer Experienceでも近日提供予定です。
• 一般向け: macOS版Geminiアプリの英語版、選定された国と言語でのAndroid版Rambler、そして近日対応予定のChromeで利用できます。