Google、音声認識特化の Gemini 3.5 Transcribe を公開

Googleが音声認識に特化したモデル「Gemini 3.5 Transcribe」を公開しました。公式ブログは8月26日付です。音声をそのまま整形済みのテキストに変換するもので、単語誤り率は非ストリーミングで平均2.6％、ストリーミングで平均4.0％としています。最終的な文字起こしが確定するまでの時間は、従来モデルから70％改善したと説明しています。85を超える言語を自動で判別して書き起こし、収録済み音声では3人までの話者をタイムスタンプ付きで区別します。提供先はGoogle AI Studio、Google Antigravity、AndroidのGboard、macOS版Geminiアプリで、Chromeは近日対応とされています。料金の記載はありません。議事録や取材の書き起こしを外部のサービスに任せている場合、精度と待ち時間の両方が乗り換えの判断材料になります。