Google、85 言語以上対応の音声認識モデル「Gemini 3.5 Transcribe」を公開

記事の3ポイント

1. 1

   双構成 API の分離

   Gemini 3.5 Transcribe は、事前録音ファイル用（Interactions API）と双方向ストリーミング用（Live API）の 2 つのエンドポイントとして提供され、機能セットや制限、価格が異なる。

2. 2

   高精度な認識性能

   Artificial Analysis による測定で、非ストリーミング時の平均単語誤り率（WER）は 2.6%、ストリーミング時は 4.0% を記録し、前モデル Chirp 3 より最終転写までの時間が 70% 短縮された。

3. 3

   多言語とコードスイッチング対応

   自動検出機能は 85 カ国以上に対応しており、文脈内の言語切り替え（code-switching）も自動的に処理可能である。