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

発表の概要

Google DeepMindは、音声認識モデル「Gemini 3.5 Transcribe」を公開しました。従来型の音声認識が苦手とする背景ノイズや複雑な専門用語、言い間違いの処理を得意とし、生の音声を正確で整形されたテキストに変換します。

このモデルは、Gemini APIやGoogle AI Studio、Gemini Enterprise Agent Platformを通じて開発者向けに公開されています。すでにGeminiアプリやAndroid向けの機能「Rambler」などで採用され、macOS版Geminiアプリでも利用可能です。

技術的特徴

Gemini 3.5 Transcribeには、話し言葉をそのまま活かす「スマート文字起こし」機能があります。「火曜日、いや水曜日」のような自己修正を理解し、「えー」などのフィラーを除去し、テキストを自動整形します。

また、ほかのGeminiモデルを呼び出す関数呼び出しに対応し、音声で画像生成やファイル分析などの複雑なタスクを指示できます。カスタム語彙を登録すれば、専門用語や独自の表記にも対応します。

従来モデルとの比較

Googleは、このモデルが従来の音声認識モデル「Chirp 3」から大きく進化したと説明しています。Artificial Analysisの測定では、リアルタイム処理の平均誤認識率は4.0%、録音済み音声では2.6%となっています。

多言語ベンチマークFLEURSでは、ストリーミングで5.50%、非ストリーミングで5.04%の誤認識率を記録しました。最終的な文字起こしが完了するまでの時間はChirp 3と比べて70%改善したとされています。

提供方法と利用シーン

開発者向けには、2つのAPIが用意されています。Live APIは双方向ストリーミングに対応し、サブ秒の遅延でインタラクティブな音声アプリに利用できます。Interactions APIは、録音済みの音声を処理し、話者ごとの書き起こしと単語レベルのタイムスタンプを提供します。

AgoraやLiveKitなど複数の開発プラットフォームが対応を表明しており、音声エージェントやリアルタイム字幕、通話後分析などの用途が想定されています。現時点ではパブリックプレビューとして提供されています。

注意点と課題

一方で、正確な話者識別は最大3人までで、3人以上は実験的なサポートとされています。カスタム語彙は対応するものの、具体的な登録数や精度の条件は公開されていません。

料金体系も現時点では明らかにされていません。パブリックプレビューがいつ終了し、一般提供時の条件がどうなるかは、今後の発表を待つ必要があります。