Google は本日、Gemini 3.5 Transcribe を正式に発表しました。これは「これまでで最も正確な音声からテキストへのモデル」として位置付けられ、現在は自社の多くの製品に先行して適用されています。従来の音声認識システムが背景雑音、業界用語、口語表現に影響されやすいのとは異なり、新しいモデルは元の音声を直接、正確で整理されたフォーマットのテキストコンテンツに変換します。公式によれば、このモデルは「自然な話し方のトーンを保持することを目的としており、ユーザーの意図をより正確に理解し、カスタム語彙を識別する」ことを目指しています。
Gemini 3.5 Transcribe は、「私たちは火曜日に会う——違う、水曜日だ」といった自己修正の状況を処理でき、「えー」、「あー」といったフィラーや冗長な言葉を自動的に削除し、同時に自動フォーマットと自然な音声編集機能をサポートします。精度に関しては、Artificial Analysis のテスト結果によると、ストリーミングモードでの平均単語誤り率（WER）は 4.0%、非ストリーミングモードではさらに 2.6% に低下します。このモデルは騒音の多い実際の環境でも安定しており、郵便番号や注文番号など、文字と数字から成る文字列を正確に識別できます。
Gemini 3.5 Transcribe はカスタム語彙と多言語認識をサポート
カスタム語彙に関しては、このモデルは特定の業界用語や特殊なスペルを識別し、ユーザーが提供した語彙リストに基づいて自動的に転記結果を調整します。言語サポートに関しては、システムは 85 以上の言語を自動的に検出し、転記することができ、異なる地域のアクセントや方言をカバーしています。複数話者の識別機能は、事前録音された音声の中で最大 3 人の発言者にタイムスタンプを付け、対応する発言に割り当てることができます。3 人を超える話者のシーンは現在、実験的な性質にあります。
パフォーマンスの面では、Google は Gemini 3.5 Transcribe が 2025 年に発表された Chirp 3 転記モデルと比較して、すべての能力、単語誤り率、遅延パフォーマンスにおいて「大幅な進展」を遂げたと述べています。Artificial Analysis のデータによると、最終的な転記を完了するのにかかる時間は Chirp 3 より 70% 短縮されました。FLEURS ベンチマークテストでは、複数の主要言語および地域に対して、ストリーミングモードの単語誤り率は 5.50%、非ストリーミングモードは 5.04% であり、多言語のパフォーマンスも前のモデルを上回っています。
音声エージェントとクロスプラットフォーム統合
新しいモデルのもう一つの核心的な目標は、ユーザーが「音声でタスクを実行する」ことです。関数呼び出し機能を通じて、Gemini 3.5 Transcribe は「画像生成やファイル分析などの複雑なタスクを他の Gemini モデルに処理させる」ことができます。この関連体験は、macOS 版 Gemini アプリケーションの Speak to Window 機能で見ることができます。macOS 版 Gemini アプリケーションや Android プラットフォームの Gboard Rambler に加えて、Gemini 3.5 Transcribe は Google Antigravity のポップアップに内蔵されたマイクにも組み込まれており、ユーザーの許可のもとで画面と会話の記録を統合し、
ファイル名、スマートエージェントの思考、現在のドキュメントなどのシーンで正確な転記を確保します。
このモデルは、後に Chrome ブラウザに登場する予定で、ユーザーは任意のウェブページのフィールドに音声入力を行うことができ、返信を書く、投稿を草案する、または Chrome 内で音声で Gemini に指示を出すなど、操作がより自然でスムーズになります。Gemini 3.5 Transcribe は現在、2 種類のユーザーに利用可能です：開発者は Gemini API（Google AI Studio および Google Antigravity にあります）を通じて公開プレビュー版を試すことができ、企業ユーザーは Gemini Enterprise Agent Platform で公開プレビュー版を取得でき、まもなく Gemini
Enterprise for Customer Experience にも登場する予定です。