本サイトの記事や画像は、AIが公的資料や複数の報道を基に事実関係を整理・再構成し制作したものです。[続きを表示]特定の報道内容や表現を再利用・要約することを目的としたものではありません。ただし、誤りや不確定な情報が含まれる可能性がありますので、参考の一助としてご覧いただき、実際の判断は公的資料や各出典元の原文をご確認ください。[私たちの取り組み]
Googleは2026年8月26日付の公式ブログで、音声を文字に変換するAIモデル「Gemini 3.5 Transcribe」を発表した。言いよどみや言い直しを整える機能を備え、開発者向けにGemini APIなどで公開プレビューを開始した。
逐語記録と読みやすい整文の2モード
Gemini 3.5 Transcribeは、Geminiの音声理解機能を基盤とする音声テキスト変換モデルだ。録音向けの「gemini-3.5-transcribe」と、リアルタイム用の「gemini-3.5-transcribe-live」がある。
文字起こしには、発話をそのまま残す「verbatim」と、読みやすく整える「Smart transcription」がある。Smart transcriptionでは、フィラー語や言いよどみを除き、途中の言い直しを反映するほか、句読点や文章構造も整える。
85以上の言語を自動検出し、日本語にも対応する。GoogleはArtificial Analysisの測定として、従来モデル「Chirp 3」と比べ、最終的な文字起こしまでの時間が70%改善したとしている。
録音とリアルタイムで異なる利用条件
録音では話者分離、単語単位のタイムスタンプ、カスタム語彙を利用できる。ただし、Smart transcriptionは話者分離や単語単位のタイムスタンプとは併用できない。
リアルタイム処理は1セッション最大10分。録音は最大1時間だが、話者分離か単語単位のタイムスタンプを使う場合は最大30分となる。開発者向けにはGemini API（Google AI Studio）とGoogle Antigravityで利用でき、Gemini Enterprise Agent Platformでも公開プレビューされている。
Pixel 11のRamblerですでに採用
Googleのスマートフォン「Pixel 11」シリーズのGboardに搭載された音声入力機能「Rambler」にも使われている。Ramblerはフィラー語を除き、発話を構造化した文章へ変換する。
一般向けにはGeminiアプリのmacOS版で英語対応し、Android版Ramblerは対象国・言語で提供されている。GoogleはChromeのウェブ入力欄でも音声入力を使えるようにする予定だ。
