Gemini 3.5 Transcribeとは？Googleの新AI音声認識モデルの精度と機能を徹底解説

📌 この記事の要約

Googleが新音声認識モデル「Gemini 3.5 Transcribe」を発表
2026年8月26日発表。背景雑音・専門用語・言い直しといった従来の音声認識の弱点を克服し、生の音声データを精度の高い整形済みテキストへ直接変換する。
旧モデルChirp 3から大幅進化
文字起こし完了までの時間を70%短縮し、FLEURSベンチマークでWER（単語誤り率）はストリーミング5.50%・非ストリーミング5.04%を達成。
話者識別・カスタム語彙・85言語以上に対応
最大3人の話者をタイムスタンプ付きで識別できるほか、ユーザー登録の専門用語にも対応し、多言語・多方言を自動検出する。
開発者・一般ユーザーの双方ですでに利用可能
開発者はLive API・Interactions APIを通じて公開プレビューを利用でき、一般ユーザーもAndroid版GboardのRamblerやmacOS版Gemini appで体験できる。

はじめに

2026年8月26日、Googleは新しい音声認識（音声をテキストに変換する技術）モデル「Gemini 3.5 Transcribe」を発表しました。背景雑音や専門用語、言い直しといった従来の音声認識が苦手としてきた課題を克服し、生の音声データを精度の高い整形済みテキストへと直接変換します。

この記事を読むことで、Gemini 3.5 Transcribeの機能・精度・活用方法を体系的に理解できます。

Gemini 3.5 Transcribeとは

Gemini 3.5 Transcribeは、Googleがこれまでに提供した中で最も高精度な音声認識モデルです。インテリジェントな音声インタラクションのために設計されており、Gemini appやAndroidの音声機能ですでに活用されています。

従来モデル（Chirp 3）との違い

Gemini 3.5 Transcribeは、旧モデルであるChirp 3から大きく進化しました。Artificial Analysisの計測によると、最終的な文字起こし結果が出るまでの時間は70%短縮されています。また、主要な言語・ロケールを対象としたFLEURSベンチマーク（多言語音声認識の評価基準）では、ストリーミングモードでWER（Word Error Rate＝単語誤り率）5.50%、非ストリーミングで5.04%を達成し、Chirp 3から精度が向上しました。

FLEURSベンチマークにおけるストリーミング音声認識WER比較棒グラフ（Gemini 3.5 Transcribe Liveが5.50%で最小）

FLEURSベンチマークにおける非ストリーミング音声認識WER比較棒グラフ（Gemini 3.5 Transcribeが5.04%で最小）

Gemini 3.5 Transcribeの主な機能

Gemini 3.5 Transcribeは、自然な話し方を捉えてユーザーの意図を理解し、独自の語彙も認識できるように設計されています。

スマート文字起こし・言い直し対応

「火曜日に会いましょう、いや水曜日で」のような自己修正を自動的に処理し、「えーと」「あの」といったフィラー（つなぎ言葉）を除去したうえで、テキストを自動整形します。さらに、画像生成やファイル分析といった複雑なタスクを、関数呼び出し（function calling）によって他のGeminiモデルに委任することも可能です。この機能は現在Gemini macOSアプリで利用できます。

話者識別・タイムスタンプ

事前録音された音声において、最大3人の話者を単語レベルのタイムスタンプ付きで正確に識別します。3人以上の話者への対応は、実験的な位置づけで提供されています。

カスタム語彙・多言語対応

専門用語や独自のスペルもユーザーが登録したカスタム語彙に沿って認識します。また、85以上の言語を自動検出し、地域ごとのアクセントや方言にも柔軟に対応します。

精度・パフォーマンス

Artificial Analysisの計測では、Gemini 3.5 TranscribeのWER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平均2.6%を記録しています。郵便番号や注文IDのような英数字混在の情報も、雑音の多い実環境下で正確に捉える性能が確認されています。

利用できる製品・API

Gemini 3.5 Transcribeは、開発者・企業向けには公開プレビューとして、一般ユーザー向けには一部の製品ですでに提供が始まっています。

開発者向け

開発者はGoogle AI Studio上のGemini APIおよびGoogle Antigravityを通じて、公開プレビュー版を利用できます。企業向けにはGemini Enterprise Agent Platformで提供され、Gemini Enterprise for Customer Experienceへの対応も予定されています。用途に応じて2種類のAPIが用意されています。

Live API（gemini-3.5-transcribe-live）：対話型音声アプリ向けに、サブ秒レベルの低遅延で双方向のストリーミング配信を実現します。 Interactions API（gemini-3.5-transcribe）：会議や通話ログなど事前録音された音声を、話者識別・単語レベルのタイムスタンプ付きで文字起こしします。

Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel、Vision AgentsといったプラットフォームはLive APIを活用しています。これにより開発者は、複雑なリアルタイム配信基盤を自前で用意せずに音声駆動型インターフェースを構築できます。

一般ユーザー向け

一般ユーザー向けには、AndroidのGboardに搭載された「Rambler」機能と、macOS版Gemini appで利用できます。Ramblerは一部の国と言語での提供、macOS版Gemini appは英語での提供です。Google Antigravityでは、ユーザーの許可を得たうえで画面コンテキストとチャット履歴を組み合わせ、ファイル名や作業中の文書まで含めた高精度な文字起こしを実現します。Google AI StudioのBuildモードでは音声によるアプリ開発（バイブコーディング）も体験できます。Chromeでの音声入力対応も近日公開予定です。

Gemini 3.5 Transcribeについての考察

音声インターフェースは、これまで「認識精度」と「応答速度」のトレードオフに悩まされてきました。Gemini 3.5 Transcribeは、WERの改善と70%の処理時間短縮を同時に達成した点で、この課題に一定の解を示したといえるでしょう。特に、関数呼び出しによって他のGeminiモデルへタスクを委任できる設計は、単なる文字起こしツールを超え、音声を起点としたエージェント型ワークフローへの布石とも読み取れます。今後、Chromeなど利用シーンがさらに広がることで、音声入力が日常的な作業手段として定着していく可能性があります。

よくある質問（FAQ）

Q. Gemini 3.5 Transcribeはどこで使えますか？
開発者向けにはGoogle AI StudioのGemini APIやGemini Enterprise Agent Platformで公開プレビュー提供されています。一般ユーザーは英語対応のmacOS版Gemini appや、Android版GboardのRambler機能で利用できます。

Q. Gemini 3.5 TranscribeとChirp 3の違いは何ですか？
Chirp 3と比較して、最終的な文字起こし完了までの時間が70%短縮されており、FLEURSベンチマークにおける単語誤り率（WER）も改善されています。処理速度と精度の両面で進化したモデルです。

Q. 何人まで話者を識別できますか？
事前録音された音声において、最大3人の話者をタイムスタンプ付きで正確に識別できます。3人以上への対応は実験的な機能として提供されています。

まとめ

Gemini 3.5 Transcribeは、雑音や専門用語、言い直しといった従来の音声認識の弱点を克服し、精度と速度の両面で大きく進化した文字起こしモデルです。開発者はLive APIやInteractions APIを通じて自社プロダクトへの組み込みを検討できるほか、一般ユーザーもGboardのRamblerやGemini appを通じてすでにその恩恵を受けられます。まずはGoogle AI Studioでのプレビュー版に触れて、自身のユースケースに活用できるか試してみてはいかがでしょうか。