Google、スマートディクテーションと2つの音声テキスト変換APIを備えたGemini 3.5 Transcribeを公開
Gemini 3.5 Transcribeは、スマートディクテーション、85超の言語、ライブストリーミング、話者ラベル、タイムスタンプ、有料APIアクセスを追加する。
Googleは2026年8月26日、ライブ音声インターフェースと録音音声向けの専用音声テキスト変換モデルとしてGemini 3.5 Transcribeを発表した。パブリックプレビューとして公開されたこのモデルは85超の言語をサポートし、フィラーワードの削除、発話中の訂正の解決、非構造化音声の読みやすいテキストへの整形を行う任意の「スマート」モードを追加している。
このモデルは、2つの独立したGemini APIエンドポイントを通じて開発者に提供される。gemini-3.5-transcribe-liveはLive API経由でリアルタイム音声を処理し、gemini-3.5-transcribeはInteractions API経由でアップロードされた録音を処理する。Googleは基盤となる文字起こし技術を、GboardのRamblerやmacOS向けGeminiアプリを含む一部のコンシューマー製品にも展開している。
文字起こしと、より広範なアシスタント動作との区別は重要である。Gemini 3.5 Transcribe自体が出力するのはテキストであり、Googleのモデルリファレンスでは、関数呼び出し、ファイル検索、画像生成、コード実行、思考はいずれも未サポートとされている。macOSアプリが音声入力された指示を用いてファイルを要約したり画像を生成したりする場合、その作業は音声の文字起こし後に、他のGeminiモデルとプロダクトレベルのツールが実行する。
一、2つのモデルが異なる音声ワークフローに対応する
ライブモデルは双方向WebSocketセッションを通じて接続し、音声が到着している間に増分テキストを出力する。Googleはレイテンシを1秒未満と説明しており、このエンドポイントは、字幕、ディクテーションインターフェース、話者が長い発話を終える前にテキストを表示する必要がある音声アプリケーションに適している。
ライブセッションは生の16ビットPCM音声を受け付ける。Googleの実装ガイドでは、16 kHzのモノラル音声を指定し、約100ミリ秒単位のチャンクを推奨している。連続したライブ文字起こしセッションは10分に制限される。より長い会話を必要とするアプリケーションは、自らのインフラでセッションの切り替えを管理しなければならない。
非ストリーミングモデルは事前録音された音声ファイルを受け付け、1回のリクエストで最大1時間を処理できる。単語レベルのタイムスタンプまたは話者ダイアライゼーションを有効にすると、この上限は30分に下がる。ライブエンドポイントとは異なり、個々の単語に開始・終了オフセットを付与し、録音内の話者を識別できる。
Googleの発表では、最大3人の話者について話者帰属を説明している。APIリファレンスでは最大8人までのサポートを公開しているが、3人以上の話者に関する帰属は実験的と位置付けている。したがって、より大規模な会議を扱う開発者は、8人という数値を安定した話者帰属品質の保証ではなく、技術的な上限として扱うべきである。
両エンドポイントはサポート対象の言語を自動的に識別し、開発者が事前に単一言語を設定しなくても、セッションまたは文の途中で言語を切り替えられる。言語が既知の場合、アプリケーションはBCP-47コードを指定し、その言語への認識を誘導できる。
カスタム語彙は、もう一つの誘導手段を提供する。開発者は、氏名、頭字語、技術用語、その他の珍しい表現に対し、最大1,000語を指定できる。Googleによれば、通常は100語以下のリストで最良の結果が得られるため、広範な辞書よりも対象を絞った語彙の方が望ましいことを示している。
二、スマート文字起こしは表示だけでなく出力そのものを変える
Gemini 3.5 Transcribeには2つの出力モードがある。デフォルトのVERBATIMモードは、フィラーワード、繰り返し、言い直し、発話中の自己訂正を保持する。一方、SMARTモードは、話者が伝えようとしたテキストを出力しようとする。
スマートモードでは、モデルは「um」や「uh」といった表現を除去し、どもりを取り除き、句読点と文頭の大文字化を適用できる。また、文中の訂正も解決する。話者が最初に火曜日と言い、その後日付を水曜日に訂正した場合、文字起こしには水曜日だけが含まれる。
整形システムは、話された一連の内容を段落、箇条書き、または番号付きリストに変換できる。また、逆テキスト正規化を適用し、話された数量を簡潔な表記に変える。たとえば、「twenty six million dollars」を「$26M」に変換する。
この動作により、スマートモードはメッセージ、メモ、プロンプト、初稿に有用となる。ただし、逐語的な記録と同等ではない。モデルは発話の一部を意図的に削除・書き換えるため、法的な文字起こし、研究データ、引用、コンプライアンス記録を作成する組織は、逐語出力を使用し、元の音声と照合して結果を確認すべきである。
Googleは、クリーンアップされた出力と詳細な注釈の間にも技術的な分離を設けている。録音音声APIでは、スマート文字起こしを単語レベルのタイムスタンプや話者ダイアライゼーションと組み合わせることはできない。これらの機能には逐語モードが必要である。ライブ文字起こしはスマート整形をサポートするが、単語レベルのタイムスタンプも話者ダイアライゼーションも提供せず、代わりに発話レベルのタイムスタンプを出力する。
三、独立テストで、このモデルは最も高精度なホステッドシステム群の一つに位置付けられる
GoogleはGemini 3.5 Transcribeを同社史上最も高精度な音声テキスト変換モデルと呼び、Chirp 3の後継として位置付けている。多言語FLEURSベンチマークにおいて、Googleは主要な言語とロケールの一部を対象に、ストリーミング文字起こしで5.50%、非ストリーミング処理で5.04%の単語誤り率を報告している。
単語誤り率は、参照文字起こしに対する置換、削除、挿入を測定するもので、スコアが低いほど誤りが少ないことを示す。これらの数値はベンチマーク固有であり、すべてのアクセント、マイク、音響環境における普遍的な誤り率として解釈すべきではない。
Googleは別途、Artificial Analysisがストリーミングで平均4.0%、非ストリーミング利用で2.6%の誤り率を測定したとしている。また、Chirp 3と比較して、最終文字起こしの作成に必要な時間が70%短縮されたとも報告している。
Artificial Analysisの公開非ストリーミングリーダーボードは、2.6%という結果を確認している。公開時点では、Gemini 3.5 Transcribeは掲載システム中で精度5位に位置し、1.7%から2.4%の結果を持つモデルに次いでいた。同テストは、単一のクリーンな音声コーパスに依存するのではなく、会話、議会、企業決算のデータセットから約8時間の音声を組み合わせている。
同じ独立テーブルは、処理速度係数を約82.5と報告している。これは、そのベンチマーク条件下で、サービスが1秒あたり約82.5秒の音声を処理したことを意味する。Artificial Analysisは、Googleのおおよその非ストリーミングAPI価格と一致する、1,000分あたり5ドルのコストを見積もった。
これらの測定結果は、このモデルが競争力を持つというGoogleの主張を裏付けるが、常に利用可能なサービスの中で最も高精度であることを示すものではない。本番環境での評価には、特にコードスイッチング、専門用語、話者の重なり、ノイズの多いチャネルが文字起こしの実用性を左右する場合、代表性のある録音が依然として必要である。
四、料金は録音1分あたり約0.5セントから
Googleの有料Gemini Developer API料金では、非ストリーミングの音声入力は100万トークンあたり2ドル、推定で1分あたり$0.003とされている。テキスト出力は100万トークンあたり12ドルで、推定ではさらに1分あたり$0.002となる。そのためGoogleは、録音音声1分あたり約$0.005という合算見積もりを提示している。
ライブ文字起こしはより高額である。音声入力は100万トークンあたり$3.50、または1分あたり約$0.005で、出力テキストは100万トークンあたり$21、推定で1分あたり$0.004となる。Googleは、実効的な合算価格をライブ1分あたり約$0.009と算出している。
どちらのバリアントにも無料APIティアがある。Googleの料金表では、無料ティアのコンテンツは製品改善に使用される可能性がある一方、記載された条件下では有料ティアのコンテンツはその目的に使用されないともしている。機密録音を処理するチームは、導入前に適用されるサービスティア、リージョンでの提供状況、データガバナンス条件を評価すべきである。
どちらの文字起こしモデルも、バッチ、フレックス、優先推論をサポートしていない。Google Searchグラウンディングも利用できない。これは、プロンプト可能な機能の一つとして文字起こしを追加した汎用Geminiモデルではなく、特化型の音声テキスト変換サービスである。
五、Googleは文字起こしをディクテーションとエージェントのインターフェースに組み込んでいる
コンシューマー向けには、Gemini 3.5 Transcribeは一部の国と言語で、macOS向けGeminiアプリおよびAndroidのRamblerを通じて英語で利用できる。Ramblerは、音声による指示を通じて、ディクテーションされたテキストのクリーンアップ、スペルミスの修正、編集、文体変更を行える。
Google Antigravityでは、文字起こしが許可された画面コンテキストとチャット履歴を利用し、ファイル名、アクティブな文書、エージェント出力の扱いを改善できる。Google AI StudioもBuildモードでこのモデルを公開しており、開発者はアプリケーションの作成中にディクテーションを利用できる。
Gemini macOSアプリは、文字起こしを画面コンテキストや他のGeminiモデルと組み合わせる。音声によるリクエストは、ローカルファイルの要約、アプリケーション間でのテキスト再利用、検索、画像生成を含むワークフローを起動できる。これらのアクションは統合機能である。専用文字起こしモデルが音声をテキストに変換し、その後、周辺アプリケーションが生成されたコマンドをルーティングする。
Googleによると、任意のWebフィールドに対応するtalk-to-typeサポートはChromeに導入予定だが、現時点で利用可能なリリースには含まれていない。エンタープライズ向けアクセスはGemini Enterprise Agent Platformを通じたパブリックプレビューで提供され、Gemini Enterprise for Customer Experienceへの対応は別途予定されている。
したがって、この発表が変えるのは認識精度だけではない。Googleは現在、コンシューマー向けディクテーション、開発環境、エンタープライズ音声処理、リアルタイム音声インターフェースを横断する一つの文字起こしレイヤーを提供している。開発者はクリーンアップ済み出力または逐語出力を選択できるが、ライブエンドポイントの低レイテンシと、録音音声エンドポイントの話者ラベルおよび単語レベルのタイミングの間でも選択しなければならない。
よくある質問
Gemini 3.5 Transcribeは一般提供されていますか？
いいえ。Googleは開発者向けおよびエンタープライズ向けサービスをパブリックプレビューとして掲載している。
このモデルは何言語をサポートしていますか？
85超の言語を自動検出して文字起こしでき、発話またはセッション内での言語切り替えにも対応する。
ライブモデルは話者を識別できますか？
いいえ。話者ダイアライゼーションと単語レベルのタイムスタンプは、逐語モードの事前録音音声でのみ利用できる。
スマート文字起こしは話者の正確な言葉を保持しますか？
いいえ。フィラーの削除、訂正の解決、テキストの再構成、書式変更を行う場合がある。正確な文言が重要な場合は逐語モードを使用する。
APIの料金はいくらですか？
Googleは、有料ティアで非ストリーミング文字起こしを1分あたり約$0.005、ライブ文字起こしを1分あたり$0.009と見積もっている。
参考ソース
Share