Google、Gemini 3.5 Transcribeを発表

米Google（検索やAI技術を手掛ける大手テクノロジー企業）は、最新の高精度音声認識（Speech-to-Text）AIモデル「Gemini 3.5 Transcribe（Googleの音声認識特化型マルチモーダルモデル）」を発表しました。従来の音声認識が苦手としていた背景雑音や言い淀み（フィラーワード）、発言中の言い直し（自己訂正）を高精度に処理し、自然で整形されたテキストへと直接変換します。

音声認識精度の向上と新機能

Gemini 3.5 Transcribeは、2025年公開の音声モデル「Chirp 3」からレイテンシや誤り率を大幅に改善した次世代モデルです。

項目	Gemini 3.5 Transcribe の仕様・性能	前世代（Chirp 3）比
​単語誤り率（WER）​	ストリーミング時 4.0% / 非ストリーミング時 2.6%（Artificial Analysis測定）	多言語ベンチマーク（FLEURS）で大幅改善
​処理速度（レイテンシ）​	最終文字起こし完了までの時間を短縮	約70%の高速化を達成
​対応言語​	85以上の言語および方言・地域アクセントを自動検出	グローバル多言語対応を拡充
​話者識別機能​	最大3人までの発言者をタイムスタンプ付きで識別（3人超は実験的対応）	複数人会議の文字起こしに対応
​テキスト整形​	言い直し（例:「火曜、いや水曜」）の反映、不要語（えー、あー等）の自動削除	音声入力の自然なテキスト化

関数呼び出し（Function Calling）による音声操作連携

Gemini 3.5 Transcribeは単なる文字起こしにとどまらず、Function Calling（LLMが外部ツールやAPIを呼び出す仕組み）を通じた音声タスク実行に対応しています。音声指示から意図を抽出し、画像生成やファイル分析などの処理を他のGeminiモデルへ委譲して実行することが可能です。

提供プラットフォームと展開状況

本モデルはGoogleのエコシステム全体で順次展開されています。

• ​開発者向け​: Google AI Studio（Gemini API）およびGoogle Antigravity上でパブリックプレビューが開始。
• ​エンタープライズ向け​: Gemini Enterprise Agent Platformで利用可能。カスタマーエクスペリエンス向けソリューション（CX）にも近日提供予定。
• ​消費者向けアプリ​: AndroidのGboard「Rambler」やmacOS向けGeminiアプリ（Speak to Window機能）に搭載済み。さらにChromeブラウザのWeb入力欄における音声入力機能としても近日提供される予定。

分析と今後の展望

Gemini 3.5 Transcribeの登場は、キーボード入力の代替としての音声インターフェースの実用性を一段階引き上げるものです。特に郵便番号や注文番号などの英数字識別、雑音環境下での堅牢性、さらに会話コンテキストを踏まえた言い直しの自動補正は、実務現場での音声入力定着を促す要因となります。

開発者向けAPIの提供開始により、議事録要約ボットや音声対話エージェントなど、音声入力を起点とした自律型アプリケーションの構築が加速するとみられます。