Googleは2026年8月25日(現地時間)、高精度な音声テキスト変換モデル「Gemini 3.5 Transcribe」を発表した。このモデルは、背景ノイズ、複雑な専門用語、言い淀みを処理し、生の音声を正確で洗練された整形済みテキストに直接変換する。GeminiアプリやAndroid上のRamblerなどのGoogle製品に既に組み込まれており、開発者向けにはGemini API、Google AI Studio、Gemini Enterprise Agent Platformを通じて提供される。
Gemini 3.5 Transcribeは、自然な話し方を捉え、意図を理解し、カスタム語彙を認識するよう設計されている。機能面では、自己修正やフィラーワード（「えーと」「あー」など）の除去、テキストの自動整形を行うスマート文字起こしに対応する。また、ファンクションコーリングにより、画像生成やファイル分析といった複雑なタスクを他のGeminiモデルに委任可能で、これは現在Gemini macOSアプリで利用できる。
同モデルは、ライブAPIを介したリアルタイムストリーミング（gemini-3.5-transcribe-liveを使用）と、インタラクションAPIを介した事前録音音声処理（gemini-3.5-transcribeを使用）の2種類のAPIで提供される。リアルタイムストリーミングはサブ秒の遅延で双方向ストリーミングを行い、事前録音音声処理は録音音声、会議、通話ログなどを話者識別と単語レベルのタイムスタンプ付きで文字起こしする。最大3話者までの識別をサポートし、3話者以上は実験的機能となる。
Artificial Analysisの測定によると、Gemini 3.5 Transcribeはストリーミングで平均Word Error Rate (WER) 4.0%、非ストリーミングで2.6%を達成している。従来のモデルChirp 3と比較して、新機能、WERの改善、最終文字起こしまでの時間が70%改善された。FLEURSベンチマークでは、ストリーミングモードで5.50% WER、非ストリーミングユースケースで5.04% WERを記録している。
カスタム語彙認識、85以上の言語の自動検出と文字起こし、地域のアクセントや方言への対応も特徴である。Google製品では、AndroidのGboard上のRambler機能、Google Antigravity、Gemini macOSアプリに組み込まれ、Chromeにも近日中に対応する予定。開発者プラットフォームではAgora、Fishjam、LangChain、LiveKit、Pipecat、Vercel、Vision AgentsなどがGemini Live APIを活用している。vivo、Intellitek Health、Lingopalといった企業も、その低遅延、精度、広範な言語サポートを評価している。
Gemini 3.5 Transcribeは、開発者向けにはGoogle AI StudioとGoogle Antigravity経由のGemini APIでパブリックプレビューとして提供中。企業向けにはGemini Enterprise Agent Platformでパブリックプレビュー、Gemini Enterprise for Customer Experienceにも近日対応する。一般ユーザー向けには、Gemini macOSアプリ（英語）、Rambler on Android（一部の国と言語）で提供され、Chromeにも近日対応予定である。
参考: DeepMind Blog — 2026年8月26日 09:00 (JST)
原文ハイライト"converts raw audio directly into accurate, polished, formatted text."