ニュース
Google、最大3人の話者識別も可能な「Gemini 3.5 Transcribe」
2026年8月27日 19:18
Googleは8月26日、音声認識モデル「Gemini 3.5 Transcribe」を発表した。現在、開発者向けのパブリックプレビュー版をGoogle AI StudioとGoogle Antigravityで、企業向けにはGemini Enterprise Agent Platformを通じてパブリックプレビュー版を、一般向けにはmacOS版Geminiアプリ（英語）や、Android版GboardのRambler（一部の国と言語）で提供している。近日中に、企業向けのGemini Enterprise for Customer Experienceと、一般向けのChrome版も登場する予定。
同モデルは、85言語以上に対応し、最大3人の話者識別や専門用語のカスタム語彙にも対応する。背景ノイズや専門用語、言い淀みを処理し、生の音声を整形されたテキストに変換する。
開発者向けには、リアルタイムの双方向ストリーミングを処理する「Live API」と、録音済みの音声について話者の特定や単語レベルのタイムスタンプを付与する「Interactions API」が用意されている。
パフォーマンス面については、前モデルの「Chirp 3」から大幅に改善されている。生成AIモデルの比較サイト「Artificial Analysis」の測定では、ストリーミングで4.0%、非ストリーミングで2.6%と、最終的な文字起こしにかかる時間は70%短縮。多言語音声ベンチマークの「FLEURS」では、ストリーミングで5.50%、非ストリーミングで5.04%という数値を記録している。
