Episode Details

タイトル

Google、音声を“意図”まで読み取る次世代の音声認識AI「Gemini 3.5 Transcribe」を発表

このエピソードで登場するキーワードを説明します。

Gemini 3.5 Transcribe: Googleが2026年8月26日に発表した、Geminiの音声理解技術を基盤とする最新の音声認識（Speech-to-Text）モデル。従来の文字起こしを超え、ノイズや専門用語、言い淀みを処理して、洗練されたテキストを直接生成します。

スマートディクテーション（Smart transcription）: 「えー」や「あー」といったフィラー（言い淀み）や、文の途中での言い直しを自動的にクリーンアップし、句読点や段落、数字などを読みやすいフォーマットに整理する機能。

カスタム語彙（Custom Vocabulary）: 特定の業界の専門用語や製品名、独自のスペルなどをあらかじめAIに登録できる機能。最大1,000語（推奨100語程度）まで設定可能で、誤認識を防ぎます。

それでは解説に入ります。

2026年8月26日、Googleは同社史上最も高精度な音声認識AIモデル「Gemini 3.5 Transcribe」を発表しました。このモデルは、開発者向けのGemini API（Google AI Studio）やGemini Enterprise Agent Platformを通じて提供されるほか、Gboard（Android）の「Rambler」機能、Mac版Geminiアプリ、さらにはGoogle AntigravityやChromeなど、Googleのエコシステム全体に順次統合されていきます。

これまで文字起こしツールといえば、聞こえた音声を忠実にテキスト化するものが主流でしたが、Gemini 3.5 Transcribeは「音声を直接、意図を汲み取ったフォーマット済みのテキストに変換する」点に大きなパラダイムシフトがあります。例えば、会議中に「えーと、次回は火曜、いや水曜の午後2時にしましょう」と発言した場合、AIは言い直しやフィラーを自動で処理し、人間が読んですぐに理解できるクリーンなテキストを出力します。さらに、郵便番号や注文IDなどの英数字も正確にフォーマットされます。

技術的にも前世代モデル（Chirp 3）から大幅な進化を遂げており、処理遅延（レイテンシ）は70%改善されました。ストリーミング（リアルタイム）で4.0%、非ストリーミングで2.6%という極めて低い単語エラー率（WER）を達成しています。また、日本語を含む85以上の言語を自動検知し、会話の途中で日本語から英語に切り替わるような状況（コードスイッチング）にもシームレスに対応します。複数人の話者を識別する機能（ダイアライゼーション）も搭載されており、議事録作成やボイスエージェントの開発などにおいて強力な武器となります。

現在、ビジネスシーンにおいてAIエージェントによる業務自動化が急速に進んでいますが、音声インターフェースはその入り口として極めて重要です。利用者がキーボードを使わず「自然に話しかけるだけ」で複雑なタスクをこなせるようになるこの技術は、顧客対応の自動化から医療現場でのカルテ作成、日常の検索体験に至るまで、私たちのデジタル体験を根本からアップデートしていくことになるでしょう。

今回のエピソードは以上で終了です。また次回お会いしましょう。