DeepMindは2026年8月25日(現地時間)、新しい音声認識モデル「Gemini 3.5 Transcribe」を発表した。このモデルは、背景雑音や専門用語、言い淀みに対応し、生音声を正確で洗練された整形済みテキストに変換する。開発者向けにはGemini APIを通じて提供され、音声エージェントやリアルタイムキャプションツールなどの構築に活用できる。既にGeminiアプリやAndroid製品にも導入されている。
Gemini 3.5 Transcribeは、自然な話し方を捉え、ユーザーの意図を理解し、カスタム語彙を認識するように設計されている。スマートトランスクリプション機能により、言い間違いの自動修正、フィラーワードの除去、テキストの自動整形に対応する。また、他のGeminiモデルへ複雑なタスクを委任するファンクションコーリング機能も備える。認識精度はArtificial Analysisの測定で、ストリーミング利用で平均Word Error Rate (WER) 4.0%、非ストリーミング利用で2.6%を達成している。85以上の言語を自動検出し、地域アクセントや多様な方言にも対応。最大3話者までのマルチスピーカー識別機能も有する。
モデルは、リアルタイムの対話型音声アプリケーション向けに低遅延のLive API（gemini-3.5-transcribe-live）と、録音された音声の処理向けに話者特定と単語レベルのタイムスタンプを提供するInteractions API（gemini-3.5-transcribe）の二つのAPIを通じて提供される。Google AI StudioやGemini Enterprise Agent Platformで開発者が利用できる。
この技術は、GboardのRambler機能やGoogle Antigravity、Geminiアプリ（macOS版）などに導入されているほか、Chromeへの近日中の展開も予定されている。Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel、Vision Agentsなどの開発者プラットフォームも、Gemini Live APIを活用して高パフォーマンスな音声駆動型インターフェースを構築している。
参考: DeepMind Blog (アーカイブ) — 2026年8月26日 09:00 (JST)
原文ハイライト"our most precise speech-to-text model yet, designed for intelligent voice interactions."