8月26日、Googleが「Intelligent transcription with Gemini 3.5 Transcribe」と題した記事を公開した。文字起こし特化モデル「Gemini 3.5 Transcribe」の概要と、外部開発者向けAPIの詳細について紹介している。
音声認識・文字起こし市場では、OpenAIのWhisperが長らく事実上の標準として君臨してきた。オープンソースで公開され、商用利用のしやすさと多言語対応によって広く普及したモデルだ。そこにGoogleが「汎用モデルの一機能」ではなく、文字起こし専用として設計されたモデルを引っ提げて参入した。WER（Word Error Rate：単語誤り率）2.6%という数字はArtificial Analysisの計測によるもので、主要モデルの中でトップクラスに位置するとされている。音声認識市場のパワーバランスが変わり得る動きだ。
文字起こし専用モデルという割り切り
Gemini 3.5 Transcribeは、汎用LLMであるGeminiファミリーの中で、音声認識・文字起こしに特化して設計されたモデルだ。
従来の音声認識モデルが苦手とする「背景雑音」「専門用語」「話し言葉の乱れ」への対応を重視し、生の音声をそのままクリーンなテキストに変換することを目的としている。すでにAndroidのRambler機能（リアルタイム文字起こしアプリ）やGeminiのmacOSアプリに組み込まれており、今回初めて外部開発者向けAPIとして公開された。
精度の数字：WER 2.6%の意味
音声認識の精度指標として広く使われるWER（Word Error Rate）は、値が低いほど精度が高いことを示す。一般に人間の転記精度はおよそ4〜5%程度とされており、WER 2.6%という数字はそれを大きく下回る水準だ。
Artificial Analysisの計測によれば：
- 非ストリーミング（録音済み音声）：WER 2.6%
- ストリーミング（リアルタイム）：WER 4.0%
郵便番号や注文IDのような英数字混在の固有表現においても高精度を維持するとされており、コールセンターや現場作業の音声ログ処理を意識した訴求と読める。なお、WERはベンチマーク環境や音声データセットによって値が変動するため、自社ユースケースでの実測評価が引き続き重要だ。
2つのAPI、2つの用途
開発者が使えるAPIは用途によって明確に分かれている。
リアルタイムストリーミング（Live API）
モデル名：**gemini-3.5-transcribe-live**
Live APIを通じて、双方向の連続ストリーミングをサブセカンド（1秒未満）のレイテンシで提供する。インタラクティブな音声エージェントやリアルタイム字幕ツールの構築を想定した設計だ。
録音済み音声処理（Interactions API）
モデル名：**gemini-3.5-transcribe**
Interactions APIを通じて、会議録音・通話ログ・インタビュー音声などのバッチ処理に対応する。話者の識別（最大3話者、3人以上は実験的サポート）と単語レベルのタイムスタンプが付く点が、リアルタイム版との主な差分だ。
どちらもGoogle AI StudioおよびVertex AI Agent Builderから利用できる。
エンジニアが注目すべき機能
スマート文字起こし（Smart Transcription）は、話し言葉特有の揺れをモデル側が処理する機能だ。
- 「Tuesday—no, Wednesday（火曜—いや、水曜）」のような自己訂正を自動整理
- 「えー」「あー」といったフィラーワードの除去
- テキストの自動フォーマット
人間が後から編集する工数を減らすことを狙った設計で、通話後の分析パイプライン（post-call analytics）への組み込みを明示的な用途として挙げている。
カスタム語彙（Custom Vocabulary）は実用上重要な機能だ。業界固有の専門用語や特殊なスペルを事前に登録しておくことで、一般的な音声認識が誤認識しやすい語彙を正確に書き起こせる。医療・法務・製造など専門用語が頻出する業種での活用が見込まれる。
言語サポートは85言語以上に自動対応し、地域アクセントや方言も処理するとしている。日本語を含む多言語対応が前提になっている点は、グローバル展開を視野に入れるサービス開発者にとって特に実用的だ。
利用はGemini API経由で可能で、現時点での料金体系など詳細な条件については元記事および公式ドキュメントで確認されたい。
詳細はIntelligent transcription with Gemini 3.5 Transcribeを参照していただきたい。
