Gemini 3.5 Transcribe登場、文字起こし精度が向上

Googleが2026年8月26日、新しい音声認識モデル「Gemini 3.5 Transcribe」を発表した。

Google DeepMindの発表によると、このモデルは音声をそのままテキストに変換するだけでなく、言い淀みや自己訂正を含んだ話し言葉を整形済みの文章に直す点が特徴だという。

「火曜に集まろう、いや水曜だった」のような言い直しを検知して正しい情報だけ残し、「あの」「えっと」といったフィラーを自動で除去する。

Google公式ブログの発表文では、このモデルが2種類のAPIとして提供されることも明かされている。

一つは発話と同時に処理するストリーミング型で、Live API経由のgemini-3.5-transcribe-liveが対話型の音声アプリ向けに低遅延で動く。

もう一つは録音済みの音声をあとから処理するバッチ型で、Interactions API経由のgemini-3.5-transcribeが会議や通話の記録を話者ごとに分け、発言のタイムスタンプまで付けて出力する。

第三者機関Artificial Analysisの計測では、単語誤り率(音声認識がどれだけ単語を誤って認識したかを示す指標)がストリーミング型で4.0%、バッチ型で2.6%とされている。

この差は、会議や通話の記録を仕事で扱う人にとって軽視できない意味を持つ。

文字起こしが「発言をそのまま写したもの」ではなく「読みやすく整えられたもの」に近づくと、記録としての性格が変わるからだ。

言い淀みや言い直しをAIが判断して消すということは、その判断自体が記録の一部になるということでもある。

この整形という発想は、議事録や通話ログの作り方そのものに関わる論点を含んでいる。

フィラーや言い直しを消して読みやすくする処理は、要約や議事録の可読性を上げる一方で、発言の間や迷いといった、会話の文脈を伝える情報を同時に消してしまう。

実務で重要な決定事項を扱う記録では、整形済みのテキストを最終的な下書きとして使いつつ、必要なときは元の音声や生の文字起こしに立ち返れる状態を保っておくほうが安全だろう。

整形がどこまで自動化されても、何を消してよい言い淀みとみなすかの判断を、人間が最後に確認する余地を残すべきだという考え方は変わらない。

もう一つ、ストリーミング型とバッチ型を分けて提供したという設計判断自体が示唆的だ。

低遅延を優先するストリーミング型の誤り率が4.0%、精度を優先するバッチ型が2.6%という数字は、リアルタイム性と正確さがトレードオフの関係にあることを裏付けている。

音声アシスタントやライブ字幕のようにその場での応答が価値になる用途にはストリーミング型が向き、会議の議事録や通話ログの分析のように後から正確に読み返すことが目的の用途には、録音を終えてからまとめて処理するバッチ型のほうが適している。

この使い分けは音声認識という一分野に限った話ではなく、遅延を減らすほど計算・比較検証の時間が削られ精度が落ちるという、音声処理システムに共通する構造から来ている。

記録の正確さを優先したい場面では、あえて「その場で」ではなく録音後にまとめて処理する設計を選ぶことが、遠回りに見えて理にかなっている。