Google、Gemini 3.5 Transcribeを発表　85超の言語を自動検出

Google DeepMindは2026年8月26日、音声テキスト変換モデル「Gemini 3.5 Transcribe」を発表しました。自然な発話を、正確で整った書式付きテキストへ変換するモデルです。

開発者はGemini APIを通じて、Google AI StudioとGemini Enterprise Agent Platformで利用できます。Live APIではgemini-3.5-transcribe-liveを使い、サブ秒レイテンシの双方向ストリーミングを提供します。Interactions APIではgemini-3.5-transcribeを使い、録音音声や会議、通話ログを処理します。

機能面では、言い直しの処理、フィラー語の削除、自動整形、カスタム語彙への対応を備えます。Artificial Analysisの測定では、平均Word Error Rateはストリーミングで4.0%、非ストリーミングで2.6%です。

85超の言語を自動検出して文字起こしし、地域アクセントや多様な方言も扱います。録音音声では単語単位のタイムスタンプと最大3人の話者識別に対応し、3人を超える話者の対応は実験的です。前モデルChirp 3と比べ、最終文字起こしまでの時間は70%改善しました。