ทันเอไอ

Google、85言語以上に対応する「Gemini 3.5 Transcribe」を発表

話者分離や言い淀みの自動整形に対応し、読みやすいテキストに変換する新音声認識モデル

Googleは2026年8月26日、85言語以上に対応する音声テキスト変換（Speech-to-Text）モデル「Gemini 3.5 Transcribe」を正式発表しました。リアルタイム音声および録音音声の文字起こしに対応します。

本モデルの特徴は、Speaker Diarization（話者分離）とSmart Transcription（文字起こしの自動整形機能）です。発言内容をそのまま文字起こしするだけでなく、言い淀みやフィラー、まとまりのない表現を整理し、読みやすくわかりやすいテキストへと変換します。

Gemini 3.5 Transcribeは、GoogleがGoogle I/O 2026で発表し、Pixel 11に初搭載されたAndroid向け機能「Rambler」の基盤となっているモデルです。単なる逐語的な書き起こしにとどまらず、自然な話し言葉をすぐに読める実用的なテキストへと整えることができます。

開発者はGoogle AI StudioのGemini APIやGemini Enterprise Agent Platform経由で同モデルを利用可能です。リアルタイムのストリーミング文字起こしにはLive API、録音ファイルの処理にはInteractions APIが対応しています。