Googleは火曜日にGemini 3.5 Transcribeをリリースしました。この音声文字起こしモデルは、フィラー（言い淀み）を除去し、ユーザーが指定した語彙を尊重し、単一の録音から最大3人の話者をタグ付けすることができます。生の音声を、人間による編集なしで洗練された構造化されたテキストに変換することで、開発者が会議録や法的書類などの文字起こしのクリーニングに費やす時間を大幅に削減します。

なぜGoogleは今、この製品を投入したのか

Googleのオーディオ処理スタックは何年も進化を続けてきましたが、以前の提供モデルであるChirp 3は、ポーズ（間）、専門用語、話者の切り替わりなどで依然としてつまずくことがありました。リモートワークやポッドキャストの普及により文字起こし市場は拡大していますが、多くの企業は依然として手動の事後処理や、高価な特化型ベンダーに頼っています。Gemini 3.5 Transcribeは、その摩擦点に対する答えです。つまり、音声を認識するだけでなく、その場で編集まで行うモデルです。

新モデルの具体的な機能

  • フィラーの自動削除 – 「えーと」「あのー」といった言い淀みが文字起こしの生成と同時に消え去り、より読みやすいテキストになります。
  • カスタム語彙 – ユーザーがドメイン固有の単語リストをアップロードできるため、モデルがそれらを一般的な用語に「修正」してしまうのを防ぎます。これは、略語、製品名、あるいは外国語の綴りが頻出する分野において重要です。
  • 話者の特定 – システムが最大3人の異なる声を識別し、各発言に話者ラベルを割り当て、単語レベルのタイムスタンプを追加します。法務チーム、医療記録作成者、ジャーナリストは、ソースファイルから直接、タイムコード付きの記録を作成できます。
  • 多言語対応 – Googleは、前身モデルよりも範囲を広げ、85以上の言語で精度が向上したと主張しています。

これらの機能はすべて、開発者向けのAPIを通じて提供されます。アプリが文字起こしをリクエストすると、クリーニング済みのテキスト、話者タグ、タイムスタンプが含まれたJSONペイロードが返されます。

Geminiオーディオ・ロールアウトの広がり

Gemini 3.5 Transcribeは、より広範なオーディオモデルファミリーの一部です。

  • Gemini 3.5 Live – リアルタイムの対話に最適化されており、従来のライブモデルよりも発話の途中の割り込みをより適切に処理します。
  • Gemini 3.5 Live Experimental – 高度な推論を行うバリアントで、複雑なタスクを解決する際に、自身の思考プロセスをステップバイステップで解説します。

どちらのライブモデルも、現在は英語で利用可能です。macOSのGeminiアプリ、および一部の地域におけるAndroidのRambler音声入力機能を通じて提供されています。

恩恵を受ける人々

開発者は、「話しながらクリーンアップする」パイプラインを、コラボレーションツール、コンテンツ制作プラットフォーム、音声駆動型アシスタントに組み込むことができます。企業は、そのまま公開できる文字起こしを生成できるため、分単位で料金が発生し、厳格なデータ取り扱い条項を課すサードパーティサービスへの依存を減らすことができます。コンテンツクリエイターは、別途編集作業を行うことなく洗練されたキャプションを公開できるため、ビデオやポッドキャストの制作サイクルを早めることができます。

影響を受ける可能性がある人々

話者分離（diarization）や専門用語の処理に対してプレミアムな料金を請求する特化型の文字起こしベンダーは、特にコストに敏感なスタートアップの間で需要が減少する可能性があります。また、モデルの話者数が3人に制限されていることも、より多くの参加者がいる会議を扱う大規模組織を、専用のソリューションへと向かわせる可能性があります。

限界と未解決の課題

  • 話者数 – 1つのファイルにつき、識別できるのは最大3人の話者までです。より大人数のパネルディスカッションなどの会議では、依然として外部ツールが必要になります。
  • 言語展開 – 多言語対応は発表されていますが、ライブモデルは英語のみとなっており、英語以外のユーザーは全機能の提供を待つことになります。
  • プライバシー – あらゆるクラウドベースの音声サービスと同様に、企業はGoogleのインフラの利便性と、機密性の高い音声を外部サーバーに置かない必要性との間で検討を行う必要があります。Googleの規約では、特定の顧客に対してオンプレミス展開を許可していますが、そのオプションはまだ一般公開されていません。

今後の注目点

Googleは、話者数の上限を引き上げ、ライブモデルの対応言語を拡大する将来のアップデートを示唆しています。また、APIの料金体系を注視することも不可欠です。分単位のコストが高額であれば、大量のユーザーにとっての生産性向上効果が相殺されてしまう可能性があるからです。最後に、開発者の間での普及の度合いを見ることで、フィラーの自動削除の利便性が、専門的な語彙における残存するエラーを上回るかどうかが明らかになるでしょう。

要点: Gemini 3.5 Transcribeは、音声録音の仕上げという手間のかかる作業を単一のAPIコールへと変え、クリーンで話者タグ付きのテキストを得るための、開発者向けの即戦力となるツールを提供します。その成功は、Googleがいかに迅速にサポート言語を拡大し、話者数の制限を引き上げ、企業のプライバシーに関する懸念に対処できるかにかかっています。