グーグルが音声認識AI「Gemini 3.5 Transcribe」発表、言い淀みや雑音も自動補正

　グーグル（Google）は8月26日、リアルタイムでの音声テキスト変換に対応した新しい音声認識モデル「Gemini 3.5 Transcribe」を発表した。

　単なる音声の文字起こしにとどまらず、言い直しや雑音の自動除去、テキストの整形機能を備える。

　日本語では、Android版の音声入力「Rambler」で利用できる。

言い淀みや雑音を除去するスマート文字起こし

　Gemini 3.5 Transcribeは、音声データから直接正確で整ったテキストへ変換するモデルとなる。従来モデルが苦手としていた周囲の雑音や専門用語、言い間違いの自己修正、言い淀みなどを自動的に認識してテキストを整形する。あらかじめ登録した単語リストに合わせて変換処理を調整する「カスタム語彙」機能にも対応する。業界固有の専門用語や企業の表記ルール、複雑な綴りを持つ固有名詞などを事前に指定しておくことで、文字起こし時に正確な表記へ自動で補正できる。

　開発者向けには2種類のAPIで提供される。リアルタイムの双方向ストリーミングを実現するLive API向けの「gemini-3.5-transcribe-live」は1秒未満の低遅延で処理する。

　録音済み音声を処理するInteractions API向けの「gemini-3.5-transcribe」では、単語レベルのタイムスタンプや最大3人までの話者識別に対応する。単語エラー率（WER）はストリーミング時で4.0％、非ストリーミング時で2.6％となる。

AndroidやMacなど各種プロダクトへ統合

　Gemini 3.5 Transcribeは各種アプリケーションやサービスへ展開される。

　Android向けキーボード「Gboard」では新機能「Rambler」を通じて話し言葉の自動整形や音声による文章の編集が可能になる。

　Mac版のGeminiアプリでは画面の文脈把握やファンクションコーリングと連携し、音声でファイルの要約や画像生成といった処理を実行できる。

　開発環境「Google Antigravity」では画面上の情報やチャット履歴を参照して固有名詞などの変換精度を高めるほか、Webブラウザー「Chrome」の入力欄へ直接音声で入力できる機能も今後追加される予定となる。

従来モデルから処理速度を向上

　従来の音声認識モデル「Chirp 3」と比較して、テキストの最終出力にかかる時間が70％短縮された。

　85以上の言語の自動検出に対応し、地域ごとのアクセントや方言、郵便番号などの英数字も正確に認識する。

　開発者向けには「Google AI Studio」および「Gemini Enterprise Agent Platform」でパブリックプレビューとして提供を開始している。