Gemini 3.5 Transcribe が AI Gateway で利用可能に
本文の状態
日本語全文を表示中
詳細モードで約2分の本文を読めます。
Google の音声認識モデル Gemini 3.5 Transcribe が AI Gateway に追加され、リアルタイムおよび完全録音の両方に対応した統合的な音声テキスト変換機能が提供されるようになった。
AI深層分析を開く2026年8月27日 04:26
AI深層分析
キーポイント
AI Gateway への Gemini 3.5 Transcribe の追加
Google が提供する Gemini 3.5 Transcribe モデルが AI Gateway に正式に導入され、開発者が統一された API を経由して利用可能になった。
2 つの変種による柔軟な対応
単一リクエストで完全録音を変換する「google/gemini-3.5-transcribe」と、WebSocket 経由で進行中の音声を変換しリアルタイムで結果を返す「google/gemini-3.5-transcribe-live」の 2 つの変種が用意されている。
高度な言語検出とカスタマイズ機能
モデルは自動的に言語を検出し、85 以上の言語に対応しており、途中での言語切り替えも追跡できるほか、固有の用語やスペリングを認識させるためのカスタム辞書機能を備えている。
AI SDK V7 による実装の簡素化
AI SDK V7 で導入された新しい機能により、開発者はマイクロフォンからの生音声ストリームを直接処理するリアルタイム変換や、ディスク上のファイルを一括で変換する処理を容易に記述できるようになった。
コスト透明性と管理機能の提供
AI Gateway はプロバイダ価格をそのまま反映しマージンやプラットフォーム料金を課さず、使用量の追跡、コスト管理、フェイルオーバー機能などを含む包括的な管理機能を統合している。
重要な引用
It takes audio and returns text, in two variants
The model detects the language on its own, covers 85+, and follows a speaker who switches language partway through.
AI Gateway provides a unified API for calling models, tracking usage and cost, failover, and performance optimizations for higher-than-provider uptime.
編集コメントを表示
編集コメント
Gemini 3.5 Transcribe の AI Gateway への統合は、音声処理の導入ハードルを下げつつ、運用コストの透明性を保つ点で実用的な進展である。開発者は SDK V7 の新機能を活用することで、複雑なストリーム処理を実装せずに高品質な変換サービスを利用できるようになる。
Source Article
元記事を日本語で読む
本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。
Google の「Gemini 3.5 Transcribe」が AI Gateway で利用可能になりました。このモデルは音声を入力として受け取り、テキストを出力します。
利用可能なバリアントは以下の 2 つです。
- google/gemini-3.5-transcribe：録音データを単一のリクエストで完結して文字起こしします。
- google/gemini-3.5-transcribe-live：WebSocket を通じてリアルタイムに音声を読み込み、録音が進行中であっても逐次更新される文字起こし結果を返します。
このモデルは言語を自動検知し、85 以上の言語に対応しています。途中で言語が切り替わる話者にも追従可能です。また、固有の語彙（名前や専門用語、特定のスペリングなど）をカスタム辞書として登録することで、認識精度を高めることもできます。
AI SDK V7 ではストリーミング文字起こし機能が新たに追加されました。
ライブ文字起こし
streamTranscribe を使用するとソケットがオープンされ、生の音声チャンクを含む ReadableStream を受け取ることができます。これにより、マイクからの入力をそのまま渡すことが可能です。送信する音声の形式は inputAudioFormat で指定します。
録音ファイルの文字起こし
すでにディスク上に保存されている音声データの場合は、transcribe を使用して単一のリクエストで送信し、結果としてテキストを受け取ります。
コードを書かずにモデルを試すこともできます。ブラウザ上で「Gemini 3.5 Transcribe Live」を開き、音声を送れば即座に文字起こしを確認できます。
AI Gateway は、モデル呼び出しの一元化、利用状況とコストの追跡、フェイルオーバー機能、プロバイダーの稼働率を超える高可用性を実現するパフォーマンス最適化などを提供します。さらに、組み込みのカスタムレポート機能や API キーごとの予算管理、ルーティングルールなどの機能も備えています。
AI Gateway では、プロバイダーの価格をそのまま反映し、マークアップを加えません。推論（インファレンス）に対してはプラットフォーム利用料も徴収されません。Bring Your Own Key (BYOK) リクエストの場合にも同様に適用されます。
AI Gateway で利用可能なすべてのトランスクリプションモデルを確認するか、スピーチのクイックスタートから始めることができます。
詳細はこちら
同じ出来事を3媒体で確認
同じ出来事を扱う別媒体の記事です。見出しと公開時刻を比較できます。
関連記事
News to Guide
ニュースの次に確認する
発表内容を、現在の料金や仕様と照らし合わせられる関連ガイドです。
今日のまとめ
AIデイリーブリーフで今日の重要ニュースをまとめ読み