Gemini 3.5 Transcribe、Googleがフィラーをリアルタイム除去

Google DeepMindは2026年8月26日、Gemini 3.5 Transcribeを発表した。公式ブログによれば、これまでで「最も精密な音声認識モデル」であり、生の音声データを直接、正確かつ整形されたテキストへと変換するよう設計されている。同システムは、背景ノイズや専門用語、言い淀みに弱い従来の音声認識を超え、Googleが「インテリジェントな音声インタラクション」と呼ぶものを目指す。

Googleが独立系評価機関Artificial Analysisの数値として引用するところによれば、Gemini 3.5 Transcribeはストリーミング時に平均単語誤り率(WER)4.0%、事前録音音声では2.6%を達成する。多言語ベンチマークFLEURSでは、ストリーミングモードでWER5.50%、非ストリーミング利用時で5.04%を記録し、Googleは前モデルのChirp 3と比較して、最終的な文字起こしまでの時間が70%短縮されたとしている。

従来の音声認識との違い

このモデルの中核となる訴求点は「スマート文字起こし」だ。話者の言い直し(Googleが挙げる例は「火曜に会いましょう――いや、水曜に」)をシームレスに処理し、「えー」「あの」といったフィラーを除去し、テキストを自動整形する。開発者やユーザーは独自の語彙リストを与えることもでき、専門用語や特殊な表記を推測ではなく正確に書き起こせるようになる。

DeepMindの発表によれば、Gemini 3.5 Transcribeは85以上の言語を自動検出して文字起こしでき、ユーザーが事前に言語を指定しなくても、地域アクセントや方言に対応する。事前録音音声では、最大3人の話者を単語単位のタイムスタンプ付きで識別できる。Googleは、3人を超える話者への対応は依然として実験的な段階にあるとしている。

文字起こしに加え、このモデルは「ファンクションコール」により、画像生成やファイル分析といったタスクを他のGeminiモデルに委任できる機能を持ち、macOS版Geminiアプリで既に利用可能だ。ドイツのメディアThe Decoderは、この仕組みを使ってウェブ検索も委任できると報じているが、Google公式ブログではこの用途は明示されていない。

2つのAPIと広がる利用場面

• リアルタイムストリーミング:Live API(モデルgemini-3.5-transcribe-live)経由で、1秒未満の低遅延を実現し、音声エージェントやライブ字幕に対応
• 事前録音音声の処理:Interactions API(モデルgemini-3.5-transcribe)経由で、会議、通話記録、通話後の分析に対応
• Rambler:Android版Gboardの新しい音声入力機能で、一部の国と言語で提供
• macOS版Geminiアプリ:現時点では英語のみだが、文字起こしと音声コマンド、画面上のコンテキストを組み合わせる
• Google Antigravity:画面上のコンテキストと会話履歴を組み合わせ、ファイル名や専門用語を正確に文字起こし
• Google AI StudioのBuildモード:音声でアプリを説明しながら構築できる

Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel、Vision Agentsなどのサードパーティ製プラットフォームは既にLive APIを基盤に音声主導のインターフェースを提供しており、GoogleはVivo、Intellitek Health、Lingopalからの好意的なフィードバックを紹介している。Chromeへの対応は「近日公開」とされ、実現すればウェブ上のあらゆる入力欄で音声入力が可能になる。

大きな「待ち」のさなかの静かな発表

The Vergeは、Gemini 3.5 TranscribeがGoogleが6月に約束していたGemini 3.5 Proモデルが依然として未発表のまま登場したと指摘する。同メディアはまた、Gemini 3.5 LiveおよびGemini 3.5 Live Experimentalという2つの音声モデルがTranscribeと同時に発表されると当初報じたが、Googleから改めて連絡を受けた後にこれを訂正した。実際にはこの2つはTranscribeと同時には発表されず、新たな公開時期も示されていない。提供自体も段階的だ。文字起こしモデルは現在、開発者向けにはGoogle AI StudioおよびAntigravity経由でパブリックプレビュー、企業向けにはGemini Enterprise Agent Platform経由でパブリックプレビューとなっており、一般ユーザー向けの展開はまだ一部にとどまっている。

多言語の音声を大量に処理する日本企業にとって——コールセンター、商談の記録、ポッドキャスト、字幕制作など——フィラーを自動的に除去し、話者を自動的に識別する文字起こし機能は、通常の書き起こし作業に伴う人手による校正の時間を減らす可能性がある。事前録音音声での誤り率(2.6%)がストリーミング時(4.0%)より低いことから、現時点ではコールセンターの通話分析のような非リアルタイムの用途がより手堅い選択肢であり、リアルタイム字幕や音声エージェントにはまだやや多くのノイズが残る。導入を検討する企業は、3人を超える話者の識別や、macOS版での日本語への完全対応がまだ整っていない点にも注意する必要があり、複数人が参加する会議での本番運用にはまだ時間がかかるとみられる。