30秒サマリー
- Google DeepMindが最新音声認識モデル「Gemini 3.5 Transcribe」を開発者・企業向けにパブリックプレビューとして提供開始
- ストリーミングでWER 4.0%、非ストリーミングで2.6%の高精度を実現し、旧モデル比で最終文字起こし時間を70%短縮
- 85言語以上に対応し、リアルタイム配信と録音後処理の2種類のAPIで利用可能
何が起きたか
Google DeepMindは2026年8月26日付の公式ブログで、最新の音声認識モデル「Gemini 3.5 Transcribe」の提供開始を発表した。同モデルは、バックグラウンドノイズや専門用語、発話の不自然さ（フィラーワード除去・自己修正の処理）といった従来モデルの課題に対応することを目的として設計されており、生の音声を精度の高い整形済みテキストに変換する。
開発者向けには「Gemini API（Google AI Studio）」および「Gemini Enterprise Agent Platform」でパブリックプレビューとして公開された。APIは2種類用意されており、Live APIを介したリアルタイムストリーミング（サブ秒レイテンシ）と、Interactions APIを介した録音済み音声の処理（話者識別・単語レベルのタイムスタンプ付き）が利用できる。
精度の面では、第三者評価機関Artificial Analysisの計測によると、ストリーミング時のWord Error Rate（WER）は4.0%、非ストリーミング時は2.6%を記録。旧モデル「Chirp 3」と比較して、最終文字起こし完了までの時間が70%短縮されたとしている。FLEURSベンチマークでも多言語での性能向上が確認されているという。
エンドユーザー向けには、AndroidのGboardで「Rambler」機能として、macOS版Geminiアプリで音声コマンド機能として既に統合されており、Chromeへの展開も「近日公開予定」とされている。企業向けには「Gemini Enterprise for Customer Experience」への対応も予告されている。
原典ハイライト
公式ブログによれば、Artificial Analysis計測によるストリーミングWERは4.0%、非ストリーミングWERは2.6%。旧モデルChirp 3比で最終文字起こし時間が70%改善。85言語以上を自動検出・文字起こしし、最大3話者の識別（3人超はexperimental扱い）に対応。リアルタイムAPI（Live API）と録音処理API（Interactions API）の2系統を提供。
出典: Google DeepMind Blog（公式ブログ）
So What?（なぜ重要か）
音声認識の精度・速度・多言語対応が同時に向上したモデルが、APIとして即座に利用可能になったことで、コールセンター向け後処理分析、リアルタイム議事録生成、音声エージェント開発などの実用化ハードルが下がる。特にサブ秒レイテンシのストリーミングAPIは、会話型AIエージェントや自動字幕システムへの組み込みを現実的な選択肢にする。
日本企業への示唆
日本企業が注目すべきポイントは三点ある。第一に、カスタム語彙機能により業界固有の専門用語や固有名詞への対応が可能であるため、医療・法務・製造業など専門性の高い分野での文字起こし精度が向上する可能性がある。第二に、85言語対応・多様なアクセント処理を謳っており、日本語対応の実際の精度は個別検証が必要だが、グローバルビジネス向けの多言語コールセンターや会議システムへの導入検討に値する。第三に、Gemini APIがパブリックプレビューで利用可能なため、自社サービスへの組み込み検証を早期に着手することで、競合に対して先行できる余地がある。まず開発者ライセンスで精度・コストを評価し、投資対効果を試算する段階に入ることを推奨する。
背景・経緯
Google DeepMindはこれまで音声認識モデル「Chirp 3」を提供してきた。今回のGemini 3.5 Transcribeはその後継に位置づけられており、Geminiモデルファミリーへの統合が図られている。AndroidやmacOS版Geminiアプリなど自社プロダクトへの先行導入を経て、今回開発者・企業向けAPIとして外部公開された流れとみられる。
