Google、Gemini Audio に新モデル導入し自動文字起こし機能を強化

Google は「Gemini Audio」を更新し、新しい Gemini 3.5 モデルを導入しました。これにより、専門用語の自動検出や 85 以上の言語への対応など、新たな文字起こし機能が追加されています。「Gemini 3.5 Live」「Gemini 3.5 Live Experimental」「Gemini 3.5 Transcribe」は、背景ノイズの影響を受けたり話しかけが中断されたりしても、Google の音声制御 AI 機能の精度を高めるために設計されています。

「Gemini 3.5 Transcribe」は Gemini ファミリーに完全な新規追加されたモデルです。その登場は、まだ Google が 6 月のリリースを約束していた Gemini 3.5 Pro モデルの発表を待っている最中というタイミングでなされました。Google は「3.5 Transcribe」について、特に多言語対応や誤訳率において、以前の文字起こしモデルである Chirp 3 と比較して大きな進歩を遂げたと述べています。

Google の新しいトランスクリプションモデルは、ユーザーが「音声だけで自然に編集」できるようになると同社は説明しています。このモデルはテキストの自動フォーマットや、「um」「uh」といったフィラーワードの削除も可能です。

ユーザーは独自の語彙をモデルに提供でき、3.5 Transcribe がスペルリングの特殊要件や専門用語に合わせてトランスクリプションを自動的に適応させることができます。これにより、これらの単語が手動で編集されるのを防ぎます。また、録音済みの音声データでは最大 3 人の話者を識別し、単語レベルの時系列情報も提供します。

Transcribe は、Gemini の音声チャットモードを支える既存の音声認識技術を基盤とした「3.5 Live」と「3.5 Live Experimental」に合わせてリリースされます。Gemini 3.5 Live は、文脈内の中断や言語認識、リアルタイムでの視覚処理への対応が強化されています。一方、Gemini 3.5 Live Experimental はさらに進んでおり、複雑なタスクの推論に取り組む際にも、その進行状況をリアルタイムで段階的にナレーションします。

これらの Gemini Audio のアップデートは、本日より英語版で macOS の Gemini アプリユーザー向けに展開されます。また、Android では特定の国と言語を対象に「Rambler」音声入力機能も提供開始となります。