Story
Google、高性能音声認識モデル「Gemini 3.5 Transcribe」を発表

Google(NASDAQ:GOOGL)は水曜日、新たな音声認識モデル「Gemini 3.5 Transcribe」を発表しました。本モデルはリアルタイムでの文字起こしに特化し、従来モデルと比較して精度向上と遅延(レイテンシー)の削減を実現しています。
モデルの主な特徴と性能
Gemini 3.5 Transcribeは、背景雑音や専門用語、話者の言い直しなどを処理しながら、音声をフォーマットされたテキストに変換します。調査会社Artificial Analysisによると、本モデルの単語誤り率(WER)は、ストリーミング用途で4.0%、非ストリーミング用途では2.6%を達成しています。
また、FLEURSベンチマークにおける単語誤り率は、ストリーミングで5.50%、非ストリーミングで5.04%と報告されています。Googleによると、最終的な文字起こしテキストが完成するまでの時間は、従来モデルの「Chirp 3」と比較して70%短縮されました。
その他の主な機能は以下の通りです。
- 85以上の言語を自動で検出・文字起こし
- 録音済み音声から最大3人の話者をタイムスタンプ付きで識別
- 「えー」「あのー」といったフィラーワード(つなぎ言葉)の除去
- 専門用語に対応するカスタム語彙の認識と自動テキストフォーマット
Ad企業・開発者向け提供と製品統合
Googleは本モデルを2つのAPIを通じて提供します。リアルタイム用途向けの「Live API」は、1秒未満の低遅延を実現します。一方、録音済み音声処理用の「Interactions API」は、会議の議事録やコールログの文字起こしと話者識別に利用できます。
この技術は、macOS版のGeminiアプリや、AndroidのGboardキーボード上の「Rambler」機能、Google AI Studioなどの既存製品に統合されます。開発者向けにはGoogle AI Studio、法人向けにはGemini Enterprise Agent Platformを通じてパブリックプレビューとして提供が開始されており、将来的にはChromeブラウザにも音声入力機能として搭載される予定です。
市場への影響
今回の発表は、AI分野におけるGoogleの競争力を示すものです。特に、会議の文字起こしやコールセンターの応対記録といった法人向け市場において、高精度かつ高速な音声認識技術は業務効率化に直結します。マイクロソフトやAmazonなどが競合するクラウド・エンタープライズ市場において、GoogleのAIサービス群の魅力を高め、顧客基盤の拡大に貢献する可能性があります。投資家は、AI技術の事業化がGoogleの収益成長にどう寄与するかを注視しています。