8月27日、Ars Technicaが「Google announces Gemini 3.5 Transcribe for AI-powered speech-to-text」と題した記事を公開した。Googleが音声認識AIモデル「Gemini 3.5 Transcribe」を発表した。単なる精度向上にとどまらず、「話者が言いたかったこと」を意味ベースで推定・整形するアーキテクチャを採用している点が、従来モデルや競合製品との最大の違いだ。
音声認識市場と、GoogleがChirpからGeminiブランドへ統合した背景
音声認識の領域では、OpenAIが2022年に公開したWhisperが高精度なオープンソースモデルとして広く普及し、AppleもiOS 17以降でオンデバイス音声認識を強化するなど、競争が激化している。Googleはこれまで「Chirp」ブランドで音声認識モデルを展開してきたが、今回のGemini 3.5 Transcribeへの移行により、音声認識をGeminiシリーズの一モデルとして正式に統合した。
この統合には明確な戦略的意図がある。GeminiというブランドのもとでテキストL・マルチモーダル・音声の各モデルを一体的に展開することで、開発者がGoogle Cloud APIを通じて一貫したインターフェースで利用できる環境を整備する狙いがある。音声認識を「独立したツール」から「Geminiエコシステムの一機能」へと位置づけ直した形だ。
前モデル「Chirp 3」から大幅に進化
Googleは音声認識AIモデル「Gemini 3.5 Transcribe」を発表した。Gemini 3.5シリーズの一モデルとして位置づけられており、音声入力の利便性向上を主な目的として設計されている。
前モデルにあたる「Chirp 3」と比較すると、性能向上は数字に表れている。
- 音声から最終テキストへの変換速度：約70%高速化
- ライブ音声のエラー率（WER）：7.32%（Chirp 3）→ 5.5%（Gemini 3.5 Transcribe）
WER（Word Error Rate／単語誤り率）とは、出力テキスト中に含まれる誤変換・脱落・挿入された単語の割合を示す音声認識精度の標準指標だ。7.32%から5.5%への改善は絶対値で約1.82ポイントの低下であり、相対的には約25%のエラー削減に相当する。数字の絶対値は小幅に見えるが、音声入力中に誤変換を手動修正する手間は使い勝手に直結するため、実用上の意味は大きい。
「何を言ったか」より「何を言いたかったか」を変換する
Gemini 3.5 Transcribeの特徴的な点は、音声を単純に文字起こしするだけでなく、話者の意図を推定してテキストを整形する点にある。具体的には以下の処理をリアルタイムで行う。
- 「えー」「あの」といったフィラー（つなぎ言葉。発話の流暢さを保つために挿入される無意味な音節や語）の自動除去
- 言い直しや訂正のオンザフライ編集
- ユーザーが事前に登録したカスタム語彙（専門用語・固有名詞など）の参照
- 85言語対応
- 収録済み音声では最大3話者の識別に対応
すでにこのモデルは、Pixel 11のGboardに搭載された「Rambler」機能として稼働している。記事の筆者はRamblerを実際に試した上で、短いテキストブロックでは口頭での言い淀みを適切に処理できると評価している。
AIが「言い換える」ことのトレードオフ
一方で、このアーキテクチャには本質的な注意点がある。モデルが発話内容を意味ベースで解釈・整形する以上、厳密には「あなたが言った言葉」とは異なるテキストが出力される。
議事録や証言の記録など、発言の一字一句が重要なケースでは適切でない場面も出てくる。クリーンなテキストを得る利便性と、発言の原文忠実性のどちらを優先するか、用途によって判断が必要になる。この点はOpenAI WhisperやAppleの音声認識が基本的に「発話された通りに書き起こす」方針を取っていることと対照的であり、Googleが利便性を前面に押し出した設計判断といえる。
Googleエコシステム全体への展開へ
Gemini 3.5 TranscribeはPixel 11のRamblerにとどまらず、Googleエコシステム全体への展開が予定されている。なお、Gemini 3.5 Pro（テキスト・マルチモーダル系の主力モデル）の一般公開はいまだ見通せていない状況にあり、元記事では「possibly in vain」と表現されている。Googleとしては、全体モデルの公開を待たず、音声処理に特化したTranscribeから先行リリースすることで、開発者や法人向けのユースケースを早期に取り込む狙いがあると読める。
詳細はGoogle announces Gemini 3.5 Transcribe for AI-powered speech-to-textを参照していただきたい。
