Google の最新音声認識AI「Gemini 3.5 Transcribe」が登場

Google は現地時間8月26日、最新の音声認識AIモデル Gemini 3.5 Transcribe を発表した。本モデルは、背景の騒音や言いよどみを自動で除去し、生の音声を正確で洗練されたテキストへ直接変換する。すでに米国の Android 向け Gboard の「Rambler」機能やmacOS版の Gemini アプリなどで展開が始まっており、開発者向けには Google AI Studio や Gemini Enterprise Agent Platform を通じて提供されている。

本モデルは Artificial Analysis の計測において、ストリーミングで4.0%、非ストリーミングで2.6%という平均単語誤り率を達成し、従来モデルから処理速度や精度を大幅に向上させている。また、85以上の言語や多様な方言を自動検出し、カスタムボキャブラリーによる専門用語の適応や、最大3話者までのマルチスピーカー識別とタイムスタンプ付与をサポートしている。さらに、リアルタイムストリーミング向けの gemini-3.5-transcribe-live を含むAPIが用意されている。

この機能は単なる文字起こしに留まらず、自己修正の意図をくみ取って文面を整えたり、不要なフィラーワードを自動で除去したりすることで、編集作業の手間を大幅に削減する。macOS版アプリでは、音声コマンドを通じてファイル要約や画像生成などの他モデル連携も可能にしており、タイピングに代わる新たな対話型インターフェースとして日常的な文書作成や開発ワークフローを効率化する。

開発元である Google は、今後 Chrome への展開も予定しており、Web上のあらゆるテキストフィールドで音声入力を利用できるようにする計画を進めている。