詳細を読む
Googleは8月26日、新しい音声認識モデル「Gemini 3.5 Transcribe」を発表しました。従来モデルの「Chirp 3」に代わるもので、文字起こし速度を最大70%高速化し、エラー率も改善しています。Android版Gboardの「Rambler」やmacOS版Geminiアプリに搭載済みで、開発者向けにもAPIで提供が始まりました。
Googleによると、音声から最終的な文字起こしまでの時間は従来比で約70%短縮されました。ライブ音声認識のエラー率は5.5%まで下がり、Chirp 3の7.32%から大きく改善しています。第三者機関Artificial Analysisの計測では、ストリーミング用途で平均4.0%、非ストリーミング用途では2.6%という単語誤り率も示されています。
Gemini 3.5 Transcribeは、話し言葉に含まれる「あの」「えっと」といったフィラー語を自動的に取り除き、言い直しもその場で編集してくれます。ユーザーが指定した独自の語彙を認識できるため、専門用語や固有名詞を誤変換しにくいのも特徴です。録音済み音声では最大3人の話者を識別し、単語ごとのタイムスタンプも付与します。
対応言語は85以上に及び、リアルタイム配信用の「Live API」と録音音声向けの「Interactions API」の2種類が用意されています。macOS版Geminiアプリでは、音声コマンドから画像生成やファイル分析といった作業を他のGeminiモデルに委任する関数呼び出し機能も利用できます。Chromeへの対応も近く始まる予定です。
今回の発表は、6月の投入が予告されながら遅れている「Gemini 3.5 Pro」の登場を待つ形での公開となりました。The Vergeによれば、当初は「3.5 Live」や「3.5 Live Experimental」の更新も同時に案内されていましたが、Googleは後に3.5 Transcribeのみが本日の発表対象であると説明を修正しています。