Google、Gemini 3.5 Transcribeをプレビュー公開 — 自ら引用する独立ランキングでは5位

音声認識は再びモデル提供各社の競争の中心に戻ってきた。アシスタントや音声エージェントにとって、そこは自然な入口だからだ。こうした状況のなか、Googleは2026年8月26日、公式ブログでGemini 3.5 Transcribeのパブリックプレビュー提供を発表した。Chirpシリーズの後継を狙うこのモデルは、音声を一語ずつ書き起こすだけでなく、その場で整理し、体裁まで整える。同社の説明はこうだ。"Unlike conventional speech recognition models that struggle with background noise, complex jargon, and disfluency cleanup, Gemini 3.5 Transcribe converts raw audio directly into accurate, polished, formatted text"（「背景ノイズ、複雑な専門用語、言いよどみの除去に苦戦する従来の音声認識モデルとは異なり、Gemini 3.5 Transcribeは生の音声を、正確で洗練された、整形済みのテキストへ直接変換します」）。提供はGoogle AI Studio内のGemini APIおよびGemini Enterprise Agent Platform経由のパブリックプレビューで、録音音声向けの`gemini-3.5-transcribe`（Interactions API）と、リアルタイム対話向けの`gemini-3.5-transcribe-live`（Live API）の2種類がある。

Googleはこのモデルを自社史上もっとも正確な音声認識ツールだと位置づけるが、独立した計測はもう少し込み入った絵を示している。Googleは、Artificial Analysisによる測定として非ストリーミングで2.6%、ストリーミングで4.0%のエラー率を挙げる。同じ機関の公開ランキングAA-WERを2026年8月29日に確認したところ、このモデルは単語誤り率（WER）2.6%で5位に位置し、他の2モデルと同率、Fun-Realtime-ASR-preview（1.7%）、ElevenLabsのScribe v2（2.2%）、Microsoft AzureのMAI-Transcribe-1.5（2.4%）、Smallest AI Pulse Pro（2.4%）の後ろに並ぶ。Artificial Analysisは方法論の注記で、AA-WERが低いほど書き起こしが正確であること、そして約8時間分のテスト音声について音声長で重み付けした平均であることを明記している。多言語ベンチマークFLEURSについてGoogleは非ストリーミング5.04%、ストリーミング5.50%のWERを公表しているが、これは対象言語と地域変種の選定が完全には明示されていない計測であり、直接比較はできない。さらに同社はChirp 3比で処理時間が70%改善したと述べているが、独立した検証は存在せず、比較の詳細も公開されていない。

公表されている機能には、自動判別による85言語超のサポート、「えーと」「あのー」といったつなぎ言葉の除去、タイムスタンプ付きで最大3人までの話者識別（それを超えると実験的機能）が含まれる。価格は非同期版が音声入力トークン100万あたり2.00ドル、テキスト出力トークン100万あたり12.00ドル、ライブ版はそれぞれ3.50ドルと21.00ドルで、いずれにも無料利用枠がある。連携面では、Android版GboardキーボードのRambler機能とmacOS版Geminiアプリを支えており、Chromeへの展開も予定されている。ただし情報の空白も残る。GoogleはRamblerの提供範囲を「一部の国と言語」に限ると説明するだけで公式な一覧を示しておらず、一方でEngadgetは2026年8月26日の記事で、この機能がPixel 11シリーズの端末で有効になっており、将来的にSearch LiveやGoogle Antigravityといったサービスにも広がると伝えている。プレビューであるためサービス品質保証（SLA）は付随せず、イタリア語やその地域変種における具体的な性能も明らかになっていない。

入口の時点でテキストを整えるという選択は現実的だ。音声エージェントに必要なのは明確な意図であって、人間のためらいではない。とはいえ、比較の詳細を示さないまま70%という相対的な改善を打ち出す一方で、独立したランキングでは精度5位に置かれている——業界トップへの追い上げは、まだ終わっていないということだろう。 — Olya