Gemini 3.5 Transcribe — 音声認識に特化した新モデル登場
Googleが2026年8月にリリースしたGemini 3.5 Transcribeは、音声認識に特化したモデル。100言語以上に対応し、リアルタイム文字起こし・話者分離・感情分析を一体化している。
Gemini 3.5 Transcribe 登場
Googleは2026年8月、音声認識に特化した「Gemini 3.5 Transcribe」をリリースした。汎用モデルの一部として音声を扱う従来のアプローチとは異なり、Transcribeは音声処理に最適化されたアーキテクチャを持ち、精度・速度・多言語対応の全面で専門モデルとしての強みを発揮する。
主要スペック
- 対応言語: 100言語以上（日本語を含む主要言語はWER 3%以下）
- リアルタイム遅延: 平均230ms（ストリーミングモード）
- 最大音声長: 連続10時間
- 話者分離（Diarization）: 最大8人まで自動識別
機能詳細
リアルタイム文字起こし
ストリーミングAPIを利用することで、発話と同時にテキストが生成される。会議録・インタビュー・カスタマーサポートの自動記録に活用できる。
話者分離
複数話者が同時に発言する音声から各話者を自動識別し、「話者A：」「話者B：」と区別して文字起こしを行う。
感情・トーン分析
文字起こしと同時に発話者の感情状態（ポジティブ・ネガティブ・中立）やトーン（フォーマル・カジュアル）を出力するオプション機能も提供される。
API 利用例
import google.generativeai as genai
audio_file = genai.upload_file("meeting.wav", mime_type="audio/wav")
model = genai.GenerativeModel("gemini-3.5-transcribe")
response = model.generate_content(
[audio_file],
generation_config={"response_mime_type": "application/json"}
)
print(response.text)
価格
| プラン | 入力単価 |
|---|---|
| 標準 | $0.006 / 分 |
| 長時間バッチ | $0.003 / 分 |
まとめ
Gemini 3.5 Transcribeは、音声AIの専門モデルとして実用性の高い機能を凝縮したリリースだ。話者分離・感情分析を単一APIで提供する点が競合との差別化ポイントとなっており、コールセンター・メディア・教育領域での採用が加速しそうだ。
関連記事
Gemini Omni — a…・Gemini 3.8 Flas…など、関連する記事もあわせてご覧ください。
Gemini の関連記事
Geminiは無料で十分？月725円・2,900円・14,500円の4プランの違いと選び方
Geminiの料金は無料・Google AI Plus（月725円）・AI Pro（月2,900円）・AI Ultra（月14,500円〜）の4段階。2026年10月時点の料金、ストレージ容量、使える回数の違いを整理し、「写真の保存先に困っている人」「仕事で毎日使う人」など、タイプ別にどのプランを選べばいいかをわかりやすく解説します。
Geminiの使い方完全ガイド【2026年版】無料で今日から始める5ステップ
「Geminiって気になるけど、何から始めればいいの？」という初心者向けに、Googleアカウントだけで無料で始める方法を解説。スマホとパソコンでの基本操作、カメラで見せて質問する方法、毎日の暮らしや仕事で役立つ使い方、有料プランとの違いまで2026年10月時点の情報でまとめました。