ハクソク

世界を動かす技術を、日本語で。

Gemini-3.5-トランスクライブ

2026年8月28日原文(blog.google)

概要

Gemini 3.5 Transcribe は、Googleが開発した最新の 音声認識モデル。 雑音や専門用語にも強く、正確な文字起こし を実現。 リアルタイムと録音音声 の両方に対応し、 開発者や企業、一般ユーザー 向けに提供。 85以上の言語、カスタム語彙やマルチスピーカー識別 にも対応。 Gemini APIや各種Googleサービス で利用可能。

Gemini 3.5 Transcribe：最先端音声認識モデルの紹介

  • Gemini 3.5 Transcribe は、 精度と知能性 を重視した音声からテキストへの変換モデル
  • 従来の音声認識 が苦手とする 雑音、専門用語、話し言葉の修正 にも高精度対応
  • 生音声を直接、 整形済みの正確なテキスト に変換
  • GeminiアプリやAndroid など、既に多くのGoogle製品で活用実績
  • 開発者向け には、 Gemini API（Google AI Studio） や Gemini Enterprise Agent Platform でAPI提供

利用可能なAPIと用途

  • リアルタイムストリーミング （Live API：gemini-3.5-transcribe-live）
    • 双方向ストリーミング と サブ秒レイテンシ で対話型音声アプリに最適
  • 録音音声処理 （Interactions API：gemini-3.5-transcribe）
    • 会議録音や通話ログ の文字起こし、 話者識別 や 単語単位のタイムスタンプ 付与

主な特徴と技術的進化

  • スマート文字起こし 機能
    • 自己修正やフィラー除去 （例：「えー」「あのー」）・ 自動整形 対応
  • ファンクションコール による他Geminiモデルとの連携
    • 画像生成やファイル解析 などの複雑タスクも音声で実行
  • 高精度な認識率
    • ストリーミングWER：4.0%、 非ストリーミングWER：2.6% （Artificial Analysis調査）
    • 雑音環境や英数字認識 にも強み
  • カスタム語彙サポート
    • 専門用語や固有名詞 も柔軟に認識
  • 85以上の言語対応
    • 方言やアクセント にも適応
  • マルチスピーカー識別
    • 最大3名まで の話者識別（3名超は実験段階）

旧モデルChirp 3からの進化

  • 新機能追加、WERの大幅改善、レイテンシ70%短縮
  • FLEURSベンチマーク でも多言語で高精度を証明
    • ストリーミングWER：5.50%
    • 非ストリーミングWER：5.04%

各種Googleサービスでの活用例

  • Gboard（Android） ：Rambler機能で 話し言葉を整形テキストに変換
  • Google Antigravity ： 画面やチャット履歴の文脈 と連携し、ファイル名やドキュメントも正確に認識
  • Google AI Studio ： Buildモード で音声によるコーディングも可能
  • Geminiアプリ（macOS） ： 自然な音声入力やコマンド で複雑な作業も音声で完結
  • Chrome（近日公開） ：任意のWeb入力欄で 音声入力が可能、Geminiとの連携も強化

デベロッパー／企業／一般ユーザー向け提供状況

  • デベロッパー向け ：Gemini API（Google AI Studio、Antigravity）でパブリックプレビュー中
  • エンタープライズ向け ：Gemini Enterprise Agent Platformでパブリックプレビュー、Gemini Enterprise for Customer Experienceにも近日対応
  • 一般ユーザー向け ：macOS版Geminiアプリ（英語）、Android版Rambler（対象国と言語）、Chrome（近日公開）

主要パートナーとフィードバック

  • Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel、Vision Agents などの開発者プラットフォームが Gemini Live API を活用
    • リアルタイム音声アプリ開発の効率化 を実現
  • vivo、Intellitek Health、Lingopal などの企業からも 高評価 （低レイテンシ、高精度、多言語対応）

最新情報の入手方法

  • Googleニュースレター で製品アップデートやイベント情報を配信
  • 個人情報はGoogleのプライバシーポリシー に従い管理、 いつでも配信停止可能

Hackerたちの意見

それは本当にすごいね！AndroidのGBoardで使えるって書いてあるけど、まだ見当たらないな。たぶん、Googleの機能は大体そうだけど、数ヶ月かけて徐々にリリースされるんだろうね。いつか試してみるのが楽しみ！

└

確かに混乱するね。「rambler for Android」ってのはGBoardのサブ機能の名前で、Pixel 10以上と新しいSamsungのスマホだけに対応してるみたい。ユーザーから見ると、単にトランスクリプションが良くなっただけって感じだね。アプリを使うわけでもなく、機能を有効にするわけでもないし。

これがChirpと同じ幻覚問題を抱えてるのか気になるな。例えば、Chirpにノイズのある音声や音声なしの音声を渡すと、「わからない。わからない。わからない。」ってテキストを吐き出して、10分くらいでリクエストタイムアウトになるんだ。ほんとにひどいよ。だから、タイムスタンプの正確さのためにWhisperに戻って、トランスクリプションの修正にはGemini Flashを使ってる。

└

一日中メインのディクテーションモデルとして使ってるけど、精度、レイテンシ、フォーマットの面で今まで使った中で一番いいモデルだと言えるよ。

└

Whisperも同じことをやってるのを見たことがあるよ。終わりの方で何度も同じ言葉を繰り返したり、言われたけど最後まで言い切れてない言葉を使ったりするんだ。最後の数文がそれで上書きされちゃって、実際の内容が失われるのがすごくイライラする。Whisperは他の部分ではかなり良いのに、友達が騒がしい車の中から音声メッセージを送ってくれると、全部は聞き取れないけど、Whisperはほぼ正しく理解してくれる。

└

音声なしやノイズだけの状態でかなり評価したんだけど、私たちにとっては反応が幻覚的になるのはすごく悪いことだからね。このシナリオではすごくうまくいってる。いくつかバグがあって、例えば、ランダムに20秒の無音が続くと403エラーになるけど、こういう部分は時間が経てば改善されると思う。幻覚は全然なかったけどね。

└

YouTubeの自動生成されたキャプションが、長い音楽セグメントの時に「Heat」って幻覚的に表示されることがあるのに気づいたよ。多分、古いモデルなんだろうけど。

Pixel 11 Proでテストしてるけど、あんまり好きじゃないな。考えずに長いことを言うときは便利だけど、特定の言い回しで何かを正確に言いたいときには、意味を「簡略化」しちゃうことがあるんだ。「確認するのをためらった、確認すべきだった」って言いたいのに、→「確認すべきだった」って感じで最初の部分が削除されちゃう。何度か試したけど、いつも最初の部分が消えちゃった。

└

スマートモードかバーバイトモードのどっち使ってる？ https://ai.google.dev/gemini-api/docs/transcribe#transcripti...

自分の会社の会議で使ったドイツ語、イタリア語、英語の音声を使って、少なくとも20のSTTモデルをテストしたよ。業界特有の言葉がたくさん含まれてて、言語が一文ごとに変わったり、別の言語で話してるときにその言語の単語が出てきたりした。満足できるローカルモデルはVoxtral Mini 3bだけで、唯一少しだけ良いのは有料APIのeleven labsだね。確かにVoxtralはベンチマークで最高のスコアには達しないかもしれないけど、問題を解決してくれるから自分には合ってる。速度の面では最高じゃないかもしれないけど、それは自分にとって問題じゃない。Googleのこの新しいモデルを試すのは楽しみだけど、簡単に自分のマシンで動くものの代わりに使うかはわからないな。

└

評価用の音声を少し共有する可能性はある？

└

Voxtralが唯一のモデルだってことには同意するよ。ローカルでもクラウドでも、多言語の会話をうまく処理できるからね。彼らが何を違うことをしているのかはわからないけど、混ざった言語の文や業界用語にも他のモデルが苦労するところで、全然影響を受けてないみたい。

Hacker Newsで議論の続きを見る