Google、音声認識モデル「Gemini 3.5 Transcribe」を発表

2026年8月26日、Google DeepMindは、正確でインテリジェントなリアルタイム文字起こしのために設計された最新の音声認識モデル「Gemini 3.5 Transcribe」を発表しました。このモデルは、生の音声を正確で洗練された整形済みテキストに変換し、背景ノイズ、複雑な専門用語、言い淀みの除去を処理します。複数話者の識別と単語レベルのタイムスタンプをサポートし、ライブでの言語切り替えにも対応しています。前モデルのChirp 3と比較して、最終文字起こしまでの時間が70%短縮され、FLEURSベンチマークでストリーミングモードでは5.50%、非ストリーミングモードでは5.04%の単語誤り率（WER）を達成しています。このモデルは、Google AI StudioとGemini Enterprise Agent PlatformのGemini APIを通じて利用可能で、Gboard、Antigravity、Geminiアプリ、ChromeなどのGoogle製品に統合されています。Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel、Vision Agentsなどの開発者プラットフォームは、このモデルを使用した音声駆動型インターフェースの構築をサポートしています。vivo、Intellitek Health、Lingopalなどの企業からも肯定的なフィードバックが寄せられています。