Google DeepMind、音声認識モデルGemini 3.5 Transcribeを発表

開発者向けには二つのAPIが用意される。Live APIのgemini-3.5-transcribe-liveは、サブ秒の遅延で双方向ストリーミングを行い、インタラクティブな音声アプリ向けである。Interactions APIのgemini-3.5-transcribeは、会議や通話ログなど録音済み音声を、話者の区別と単語単位のタイムスタンプ付きで書き起こす。話者識別は3人までが対象で、4人以上は実験的な扱いとされる。

機能面では、「火曜、いや水曜に会おう」のような言い直しの処理、「えーと」などのフィラーの除去、自動フォーマットに対応する。カスタム語彙を渡して専門用語や固有の綴りに合わせることもでき、郵便番号や注文IDのような英数字の取得も得意とする。関数呼び出しにより、画像生成やファイル分析などを他のGemini modelに委ねることもでき、現時点ではGemini macOSアプリで使える。

精度についてはArtificial Analysisの測定で、平均WERがストリーミング4.0%、非ストリーミング2.6%とされる。前世代のChirp 3と比べて最終書き起こしまでの時間は70%短縮した。FLEURSベンチマークの主要言語では、ストリーミング5.50%、非ストリーミング5.04%のWERで、Chirp 3を上回る。

Google製品への組み込みも進む。Android版GboardのRamblerは、話した内容を整った文章にし、音声での修正やスタイル変更もできる。Google Antigravityでは、許可を得た上で画面の文脈とチャット履歴を使い、ファイル名などの精度を高める。Google AI StudioのBuild modeでは音声でアプリを作れる。macOS版Geminiアプリは英語に対応し、Chromeには近く対応予定である。

提供状況は、開発者向けがGoogle AI StudioとGoogle Antigravity経由のGemini APIでパブリックプレビュー、企業向けがGemini Enterprise Agent Platformでパブリックプレビュー、Gemini Enterprise for Customer Experienceは近日対応予定である。Agora、LangChain、LiveKit、Vercelなどのプラットフォームが Live API を通じた音声インターフェース構築を支援しており、vivo、Intellitek Health、Lingopalも遅延、精度、対応言語について好意的な評価を寄せている。