Google、文字起こしAI「Gemini 3.5 Transcribe」公開　誤り率2.6%

音声入力でメッセージを作成したり議事録を取ったりする際、もっとも煩わしいのが「えーと」「あの」といった不要語や、途中で「やっぱり水曜に変更で」と言い直した部分の修正作業です。従来の音声認識モデルは口ごもりや言い間違いまでそのまま文字にしてしまうため、結局は手動の手直しが必要でした。

Googleは2026年8月26日、文脈理解に強みを持つ新型の音声認識モデル「Gemini 3.5 Transcribe」を発表しました。音声を文字に変換するだけでなく、話し手の意図を汲み取ってテキストを自動整形する点が特徴です。

言い直しや不要語をその場で整理する実力

第三者評価機関Artificial Analysisの測定によると、Gemini 3.5 Transcribeの単語誤り率（WER）は非ストリーミング環境で2.6%、リアルタイムストリーミング環境で4.0%を記録しました。旧世代のChirp 3と比較して文字起こしの完了時間が70%短縮されており、FLEURS多言語ベンチマークでも非ストリーミング時5.04%の誤り率を達成しています。

機能面では、発話を一言一句そのまま残す逐語モードに加え、スマート転写モードを備えています。「来週の火曜、いや水曜にしよう」と口頭で修正した場合でも自動的に「水曜」と整えられ、不要なつなぎ言葉は綺麗に削除されます。郵便番号や注文IDのような英数字の認識精度も向上しました。

85以上の言語に対応しており、英語からスペイン語、ヒンディー語へと文中で話す言語を切り替えてもスムーズに文字起こしを継続できます。録音済みファイルであれば、単語単位のタイムスタンプ付きで最大3人までの話者分離が可能です。

アプリ連携からリアルタイムエージェントまで

Googleは本モデルを単なる文字起こしAPIにとどめず、日常的な操作画面へ組み込んでいます。開発者向けにはGoogle AI Studioおよびエンタープライズプラットフォームにて、1秒未満の低遅延ストリーミング向けLive APIと録音処理向けInteractions APIの2種類を提供します。

一般向け製品では、Android版Gboardの新機能Ramblerで口述筆記や文章スタイルの修正に活用されています。macOS版Geminiアプリではさらに関数呼び出しにも対応し、画面上の情報を見ながら音声で別モデルを動かし、ファイルの要約や画像生成を行えます。今後はChromeブラウザ内のWeb入力欄への展開も予定されています。

すでにvivoやLiveKit、LangChain、Vercelなどの外部企業が自社サービスやインフラへの組み込みを進めています。

なぜ重要か

私たちは、Googleが「音声の書き起こし」と「初期段階のテキスト整形」を1つのレイヤーにまとめた点を高く評価しています。

これまで実用的な音声エージェントを構築するには、音声をテキスト化した後にLLMを挟んで口ごもりを消し、言い直しを修正する必要がありました。これではAPIコストが嵩み、遅延も大きくなります。Gemini 3.5 Transcribeが転写の段階で不要語の除去や文脈修正を肩代わりしてくれるため、開発者にとっては設計の手間と運用コストを大きく削減できるはずです。

一般のユーザーにとっても、アナウンサーのように整然と話す必要がなくなり、考えを巡らせながら話しても自然な文章に仕上げてくれる利便性があります。

ただし制限もあります。4人以上の話者分離は現時点で実験的サポートにとどまっており、大規模な会議では精度が落ちる可能性があります。また、画面コンテキストと連動した高度な音声操作は一部のネイティブアプリに限られているため、Chromeなど幅広い環境へどれだけ浸透するかが今後の鍵となりそうです。