Vercelは2026年8月25日(現地時間)、Googleの音声テキスト変換モデル「Gemini 3.5 Transcribe」をAI Gatewayで提供開始した。このモデルは、音声を入力としてテキストを返すもので、完全な録音を一度のリクエストで変換する機能と、リアルタイムのライブストリーミングに対応する2種類のバリアントを提供する。
Gemini 3.5 Transcribeは、入力された音声の言語を自動で検出し、85以上の言語に対応する。また、話者が途中で言語を切り替えた場合でも追跡が可能である。さらに、カスタム語彙を供給することで、特定の名称や専門用語、スペルを認識させることができる。
AI Gatewayでは、Googleのgoogle/gemini-3.5-transcribeが完全な録音を1つのリクエストで変換し、テキストを返す。一方、google/gemini-3.5-transcribe-liveはWebSocketを通じて音声を変換し、録音が進行中にリアルタイムでテキストを更新する。AI SDK V7には、マイクからの生の音声チャンクを直接渡すことができるストリーミング変換機能が新たに追加された。
AI Gatewayは、複数のモデル呼び出しを統一されたAPIで提供し、利用状況とコストの追跡、フェイルオーバー、パフォーマンス最適化によるプロバイダーを上回る稼働時間を提供する。内蔵機能として、カスタムレポート、APIキーごとの予算設定、ルーティングルールなどが含まれている。AI Gatewayは、プロバイダーの料金をそのまま反映し、推論に対するプラットフォーム手数料を課金しない。これにはBring Your Own Key（BYOK）リクエストも含まれる。
ユーザーは、コードを記述することなく、Gemini 3.5 Transcribe Liveを通じて音声を送信し、ブラウザで文字起こしを試すこともできる。AI Gatewayで利用可能な全てのトランスクリプションモデルは閲覧可能であり、音声クイックスタートから利用を開始することも可能である。
参考: Vercel Blog — 2026年8月26日 09:00 (JST)
原文ハイライト"Gemini 3.5 Transcribe from Google is now available on AI Gateway."