Google、音声認識モデル「Gemini 3.5 Transcribe」を公開

　Googleは8月26日（現地時間）、次世代音声認識モデル「Gemini 3.5 Transcribe」の提供を開始したと発表した。従来の音声認識モデルでは難しかった背景ノイズや専門用語、話者の言い間違いにも強く、会話音声をそのまま正確かつ自然なテキストへリアルタイムで変換できる点が特徴だ。

　Gemini 3.5 Transcribeは、GeminiアプリやAndroidで既に展開されている音声機能として活用されてきた。今後はGoogle AI StudioおよびGemini Enterprise Agent PlatformのAPIとしても利用可能になり、開発者は独自のボイスエージェントやリアルタイム字幕生成ツール、通話後分析パイプラインなどに容易に組み込める。

　同モデルは、「リアルタイムストリーミング（Live API）」と「録音音声処理（Interactions API）」の2種類のAPIで提供する。リアルタイムではサブ秒レイテンシで音声アプリ向けに双方向ストリーミングが行え、録音音声の場合は話者ごとの識別や単語単位でのタイムスタンプ付与も行える。

　人工分析による評価では、ストリーミング用途で平均4.0%、非ストリーミング用途で2.6%の誤認識率（Word Error Rate）を記録した。85以上の言語を自動で判別し、異なる地域や方言にも柔軟に対応する。ユーザーが指定したカスタム語彙や専門用語の正確な認識も可能だ。さらに、最大3人までの話者識別と発話のタイムスタンプ付与が正式対応となる。

　GoogleはGemini 3.5 Transcribeを、今後ChromeやGboard、Google Antigravityでも順次展開していく予定である。AndroidやmacOSのGeminiアプリではすでに利用できる。開発者向けにはパブリックプレビューとしてGoogle AI Studioなどで提供を開始している。