概要
Googleが発表したGemini 3.5 Transcribeは、フィラー除去や自己修正を自動で行う「スマート書き起こし」機能を備え、リアルタイムおよび録音音声の両方で極めて高い精度を実現する最新モデルです。
詳細内容
Googleは、最新の音声認識モデル「Gemini 3.5 Transcribe」を発表しました。このモデルは、従来の音声認識（STT）が苦手としていた背景ノイズや専門用語、言い淀みのクリーンアップを高度に処理し、生の音声から直接、正確かつ整形されたテキストを生成します。
主な特徴と機能は以下の通りです：
- **スマート書き起こし**: 「えー」などのフィラー除去や、発話中の自己修正（言い直し）を自動的に反映し、読みやすいテキストに変換します。
- **高いパフォーマンス**: 非ストリーミングで2.6%、ストリーミングで4.0%という極めて低い単語誤り率（WER）を達成。前世代のChirp 3と比較して、処理完了までの時間が70%高速化されています。
- **開発者向けAPI**: Google AI StudioのLive API（リアルタイム）およびInteractions API（事前録音）を通じて利用可能です。
- **エコシステムへの統合**: AndroidのGboard（Rambler機能）、macOSのGeminiアプリ、そして近日中にChromeブラウザにも搭載されます。
特にmacOSアプリでは、音声による「関数呼び出し（Function Calling）」をサポートしており、ファイル分析や画像生成などの複雑なタスクを音声のみで指示・実行できる先進的なワークフローを実現しています。