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

Google は、リアルタイム音声インターフェースや録音された音声に対応する音声認識モデル「Gemini 3.5 Transcribe」をリリースしました。このモデルは単一のエンドポイントではなく、2 つの異なるエンドポイントとして提供されます。

gemini-3.5-transcribe は Interactions API を通じて事前に録画されたファイルを処理し、gemini-3.5-transcribe-live は Live API による双方向ストリーミングを扱います。Artificial Analysis の測定によると、ストリーミング時の単語誤り率（WER）は平均 4.0%、非ストリーミング時は 2.6% です。また、前モデルである Chirp 3 と比較して、最終的な文字起こしまでの所要時間が 70% 短縮されました。

自動検出機能は 85 以上の言語に対応しており、文の途中での言語切り替え（コードスイッチング）もサポートしています。重要なのは、この 2 つのエンドポイントが異なる機能セット、制限、価格設定を持っている点です。この違いを踏まえて設計を進める必要があります。

導入可能でしょうか？

はい、可能です。ただし API のみで利用可能です。オープンウェイト版は提供されておらず、セルフホストでの運用もできません。これはインフラの選択というより、マネージドサービスの採用判断となります。

企業規模に関わらず、ソロ開発者やスタートアップは Google AI Studio を通じて Gemini API の無料枠から始められます。中堅チームは、レート制限を強化するために有料プランへ移行します。有料プランでは、コンテンツが Google 製品の改善に利用されないことが保証されます。規制の厳しい大企業向けには、Gemini Enterprise Agent Platform を経由して利用できます。こちらはスループットの割り当て、コンプライアンス制御、ボリュームディスカウントなどの機能を追加しています。

開発者向けとエンタープライズ向けの両トラックは現在パブリックプレビュー中ですので、本番環境での導入についてはその点を考慮する必要があります。

業界別活用例：コンタクトセンターやカスタマーエクスペリエンス（CX）プラットフォーム、臨床記録の作成、メディアの字幕・ローカライズ、法務・保険の受付業務、会議ツールの活用、音声駆動型開発者向けツールなど。

主な用途は、リアルタイム音声エージェント、ライブ字幕生成、通話後の分析パイプライン、話者識別付き会議議事録作成、音声入力（ディクテーション）、そして音声操作インターフェースです。

2 つの API 表面と、それぞれに対応する異なる製品

Live API は、サブ秒単位の連続的な文字起こしを提供します。通話者が発言している最中は interim_input_transcription を出力して部分的な結果を逐次返し、そのターンが確定すると input_transcription を返します。入力音声は 16kHz モノラルの生 16 ビット PCM データとして、100 ミリ秒ごとのチャンクで受け付けられます。自動検出、ハイブリッド検出、手動検出のいずれかの音声活動検出（VAD）に対応しています。一時的なトークン（Ephemeral tokens）を使用することで、モバイルや Web クライアントは API キーを保持せずにストリーミング処理が可能になります。

ただし、利用には明確な制限があります。Live セッションでの連続ストリーミングは最大 10 分までです。話者識別（Speaker diarization）や単語レベルのタイムスタンプ機能は提供されていません。

一方、Interactions API は、ストリーミングでは対応できない機能をカバーします。話者識別、単語ごとの開始・終了オフセット、カスタム語彙によるバイアス処理が可能です。語彙リストには最大 1,000 語まで登録できますが、100 語未満に抑えた方が精度が高くなります。標準的なリクエストでは最大 1 時間の音声データに対応可能ですが、話者識別や単語タイムスタンプを有効にした場合は、対応時間が 30 分に短縮されます。

「逐字書き起こし（Verbatim）」と「スマート書き起こし」の選択が設計上の重要な分岐点となります。

両方のエンドポイントには 2 つのモードが用意されています。デフォルトの「verbatim」は、フィラーや繰り返し、言い直しなどを含めてすべてを返します。「smart」モードでは不自然な部分を除去し、話者による自己修正をその場で解決して構造化されたフォーマットで出力します。

Google が公式に公開している例を見ると、「Um, so for the meeting, I think we should, uh, invite Alice and, wait no, Bob and Carol.」という発言があります。verbatim モードではこのままの文字列が返されますが、smart モードでは「For the meeting, I think we should invite Bob and Carol.」と整理された内容になります。

ただし、「smart」モードは単語ごとのタイムスタンプや話者分離（diarization）とは併用できません。これはトレードオフであり、読みやすい要約と監査可能な文字起こしを別々の API 呼び出しとして扱う必要があることを意味します。

Performance

Artificial Analysis の測定によると、Google が報告する平均単語誤り率（WER）は、ストリーミング処理で 4.0%、非ストリーミング処理で 2.6% です。多言語評価ベンチマーク「FLEURS」では、主要な言語と地域を対象に、ストリーミングで 5.50%、非ストリーミングで 5.04% の誤り率を記録しました。

Google が以前公開した文字起こしモデル「Chirp 3」と比較すると、最終的な文字起こしが完了するまでの時間が 70% 短縮されています。対応言語は 85 以上のロケールに及び、自動検出とコードスイッチング（話者間の言語切り替え）も設定なしで処理可能です。

Ecosystem

Live API はすでに LiveKit、Pipecat、Agora、Fishjam、Vercel、Vision Agents に組み込まれています。消費者向けアプリケーションでは、Android の Rambler、macOS 用の Gemini アプリ、Google Antigravity で活用されています。Chrome への対応も近日公開予定です。

Key Takeaways

ストリーミング処理では、話者分離と単語レベルのタイムスタンプを同時に提供し、サブ秒単位の低遅延を実現します。

Artificial Analysis によると、報告された WER（単語誤り率）は、ストリーミング環境で 4.0%、非ストリーミング環境で 2.6% です。

スマートモードでは、タイムスタンプまたは話者分離のいずれか一方のみを選択可能であり、両方を同時に併用することはできません。1 つのリクエストごとにどちらかを指定してください。

コストは、バッチ処理で約 0.005 ドル/分、ライブ処理で約 0.009 ドル/分です。オープンウェイト版は提供されていません。

利用制限として、ライブセッションは最大 10 分、ファイルアップロードは最大 1 時間、話者分離機能を有効にした場合の処理時間は最大 30 分までとなっています。