Google DeepMindが2026年8月26日、同社史上もっとも精度が高いとする音声認識モデル「Gemini 3.5 Transcribe」を公開しました。音を文字へ機械的に置き換えるのではなく、出力の前に推論を挟み、話し手の言い直しを整理して「あー」「えーと」といったフィラー語を落とします。最大3人までの話者を区別し、書き起こした内容をもとに他のGeminiモデルへ後続処理を引き渡す機能まで備えます。公表値の単語誤り率は事前録音音声で2.6%、ライブストリーミングで4.0%。85以上の言語に対応し、Gemini API経由でトークン単位の課金で使えます。
背景と文脈
音声の文字起こしは、長らく「音の並びを文字列に対応づける」処理として作られてきました。従来のASR（Automatic Speech Recognition、自動音声認識）は音響モデルと言語モデルを組み合わせ、聞こえたとおりの文字列を出すことを目標にしています。そのため、途中の言い直しも口ぐせもそのまま残ります。会議録や問い合わせ履歴として使うには、人手や別プログラムでの後編集が前提でした。
流れが変わったのは、大規模言語モデルが音声をそのまま入力として受け取れるようになってからです。文字起こしと要約・翻訳を1つのモデルで続けて処理でき、パイプラインの部品数が減りました。ただし汎用モデルに音声を丸投げすると、聞き取り精度そのものは専用モデルに届かない場面も残っていました。精度は専用モデル、後段の整形は言語モデルという二段構えが、実務上の落としどころだったわけです。
Gemini 3.5 Transcribeは、この2つの路線を1つに寄せた位置にあります。Google DeepMindは本モデルを、パターン照合ではなく推論を適用する文字起こしと説明しています。想定用途として挙がるのも、会議サマリーの作成、コンプライアンス監査、通話の感情分析といった「書き起こした後」の仕事ばかりです。電話番号・郵便番号・注文IDのような英数字の並びを正確に拾える点も強調されており、コールセンターや受注処理の現場を意識した設計と読めます。海外メディアのGIGAZINEも公開直後に取り上げました。
技術/ビジネス面
新しいのは、出力の前に一段「考える」工程が入る点です。話し手が「明日、いや明後日の10時で」と言い直した場合、両方をそのまま並べるのではなく、最終的な意図に沿って整えます。フィラー語の除去、句読点や改行の自動整形も同じ仕組みの延長にあります。さらに話者識別（speaker diarization：どの区間を誰が話したかを分けてラベルを付ける処理）に対応し、最大3人まで区別します。
精度は単語誤り率（WER：正解の書き起こしに対する単語単位の誤り・欠落・余分の割合を示す指標。低いほど良い）で示されました。公表値は事前録音音声で2.6%、ライブストリーミング音声で4.0%。多言語ベンチマークのFLEURS（多数の言語で読み上げ音声の書き起こし精度を測るテスト）の主要言語・地域方言セットでは、非ストリーミングで5.04%、ストリーミングで5.50%と報告されています。100語のうち誤りが数語という水準になります。
対応言語は85以上。発話単位で言語を自動判定するため、会話の途中で言語が入れ替わるコードスイッチング（1つの会話の中で複数の言語を混ぜて話す現象）にも追随します。単語レベルのタイムスタンプに加え、社内の製品名や医薬品名などを認識させやすくするカスタム語彙バイアスも用意されました。
提供はGemini API経由で、バッチ処理向けのgemini-3.5-transcribeと、1秒未満の遅延で返すストリーミング向けのgemini-3.5-transcribe-liveの2本立て。課金は他のGemini入力と同じくトークン単位です。書き起こした内容を踏まえて画像生成やファイル分析を他モデルへ委ねるfunction calling（モデルが外部の関数やツールを呼び出す仕組み）にも対応し、文字起こしを起点にした処理の連鎖を1つのAPIの中で組めます。
これからどうなるか
自分のプロダクトに文字起こしを組み込んでいるなら、まず見直したいのは前後の処理です。フィラー除去、整形、話者ラベル付けを自前の後処理やLLM呼び出しで賄っている場合、その工程がモデル側に吸収されます。二段構えを1回の呼び出しにまとめられれば、レイテンシもエラー時の分岐も減らせるでしょう。
コストは比較の軸が変わる点に注意が必要です。既存の文字起こしAPIの多くは音声の分単位課金ですが、本モデルはトークン単位。音声1分あたりのトークン数と出力量で実効単価が決まるため、既存の見積もりをそのまま横滑りさせられません。自社の代表的な音源を数本流し、分あたりの実コストを測ってから置き換えを判断するのが確実です。
精度の比較も、WERの数字だけで決めない方が無難でしょう。整形やフィラー除去が入る分、逐語の正確さを求める用途では「編集されすぎ」が問題になる場面もあり得ます。議事録やサマリー用途なら歓迎される加工が、法務・医療の逐語記録では減点になるためです。話者3人までという上限も、複数人の会議を扱うサービスでは効いてきます。導入前に、自社の音源で逐語性・話者数・専門用語の3点を確かめておきたいところです。
まとめ
Gemini 3.5 Transcribeは、書き起こしの前段に推論を入れて、これまで後処理で行っていた整形・話者ラベル付け・後続タスクの委譲まで1つのモデルに寄せた音声認識モデルです。単語誤り率は事前録音で2.6%、ライブで4.0%。85以上の言語とコードスイッチングに対応します。既存の文字起こしAPIから乗り換える際は、分単位からトークン単位への課金方式の違いと、加工された出力が自社用途に合うかを先に検証しておくと安全です。
参考リンク
アイキャッチ画像: Photo by Solen Feyissa on Unsplash
