Google、Gemini 3.5 Transcribeを公開 — 高精度な音声文字起こしの専用モデル、Gemini APIでプレビュー提供

Googleは2026年8月26日（米時間）、音声文字起こしに特化したモデル Gemini 3.5 Transcribe を発表した。公式ブログ「Intelligent transcription with Gemini 3.5 Transcribe」（著者: Diego Melendo Casado, Luke Leonhard）が一次情報で、同日DeepMind側でも関連告知が行われた。Googleは自社で「最も高精度な speech-to-text モデル」と位置づけ、既に複数の自社プロダクトで稼働しているとしている。

出典: Intelligent transcription with Gemini 3.5 Transcribe — Google Blog

何が発表されたか

• 発表日と位置づけ: 2026年8月26日公開。タイトル「Introducing Gemini 3.5 Transcribe」「Intelligent transcription with Gemini 3.5 Transcribe」として Keyword（blog.google）で公開。記事のメタ情報では datePublished: 2026-08-26T17:00:00+00:00。
• 概要: 「よりインテリジェントな speech-to-text transcription」を提供する専用モデル。GboardのRamblerをはじめとする自社プロダクトで既に稼働していると公式に記載。
• 提供形態: Gemini API 経由で Google AI Studio と Gemini Enterprise Agent Platform で開発者向けに提供。The Keyword記事の概要では「Now, developers can build similar capabilities with Gemini 3.5 Transcribe in the Gemini API」と記される。
• モデルカードの記述: DeepMindのモデルカード「Gemini 3.5 Audio」では、音声のネイティブ機能として Gemini 3.5 Live Translate / 3.5 Transcribe / 3.5 Transcribe Live を総称して Gemini 3.5 Audio と説明される。

開発者向けの使い方と特徴

• 想定ユースケース: 公式は「voice agents、real-time captioning tools、post-call analytics pipelines など、開発者ワークフローにシームレスに組み込める」と説明。
• 対応形態（二次情報の補足を区別）: 一部テックメディアは「Live APIによるリアルタイム双方向ストリーミング」と「Interactions APIによる録音音声の文字起こし」の2経路で提供されると伝えているが、一次情報のKeyword記事本文は詳細なAPI仕様や価格を本文内で数値として明示していない。正式な仕様・制限・料金はGemini APIドキュメントでの確認が必要。
• 謳われる機能: Googleの告知では「intelligent transcription」を強調し、二次報道ではフィラー（えー、あー等）の除去、言い直し（self-corrections）の整形、フォーマット整形、話者 attribution や単語レベルタイムスタンプ、85言語以上対応、専門用語検出などを特徴として報じている。ただし一次情報のKeyword記事で数値・対応言語数の明記は確認できておらず、本稿では断定せず二次報道の要約として区別して記す。
• 既存プロダクトでの利用: GboardのRamblerを含む複数のGoogleプロダクトで先行稼働。Chromeなど他プロダクトへの拡大も一部メディアで報じられているが、一次情報の範囲では「複数の自社プロダクトで稼働」との記述にとどまる。

位置づけと留意点

• モデルファミリ: Gemini 3.5 世代の音声特化モデル。DeepMindの分類では Gemini 3.5 Audio の一部として提供され、翻訳・文字起こし・ライブ文字起こしの派生として整理される。
• 提供段階: パブリックプレビューとして提供。正式なGA時期やSLA、料金体系はAPIドキュメントの更新を待つ必要がある。
• 評価の扱い: 一次情報にベンチマーク比較チャート等の公開は確認できない。本稿では比較画像の埋め込みは行わず、性能は「Googleが最も高精度と位置づけ」と公称表現にとどめる。独立した第三者評価やWER等の数値が公開され次第、追記が望ましい。
• 実務上の確認事項: 開発者は対応言語、レイテンシ、ストリーミング時のイベント形式、ファイルサイズ上限、データ保持ポリシー、リージョン対応を実装前にドキュメントで確認する必要がある。

出典

• Intelligent transcription with Gemini 3.5 Transcribe — Google Blog
• Intelligent transcription with Gemini 3.5 Transcribe — Google DeepMind Blog
• Gemini 3.5 Audio (Live Translate) - Model Card — Google DeepMind