Gemini 3.5 Transcribe APIの機能と使い方

Googleが音声認識モデル「Gemini 3.5 Transcribe」のエンタープライズAPIをGoogle Cloudで公開したことで、会議の録音ファイルをそのまま話者別・タイムスタンプ付きの構造化テキストに変換できるようになった。

WER 2.6%という数字が実務で意味すること

音声認識の精度指標「単語誤り率（WER）」で、Gemini 3.5 Transcribeは非ストリーミング時に2.6%、リアルタイムストリーミング時でも4.0%を記録している。100語の発言に対して誤りが2〜4語という水準で、議事録の素材としてそのまま使えるラインを超えている。

「スマートトランスクリプション」機能も備わっており、「えーっと」「あの」といった言い淀みや繰り返しを自動で除去し、話者の意図に沿った整った文章に整形する。録音ファイルをAPIに渡すだけで、清書済みの下書きが返ってくる。

85言語対応と話者識別で何が変わるか

対応言語は85以上。日本語を含む主要言語をカバーしており、会議中に日本語と英語が混在しても発話ごとに言語を自動検出して切り替える。話者識別（スピーカーダイアライゼーション）も搭載されており、発言ごとに「話者A」「話者B」と振り分けて出力する。誰が何を言ったかをあとから整理する手間がなくなる。

ワードレベルのタイムスタンプも付与されるため、「録音の何分何秒の発言か」をテキストと紐づけて参照できる。カスタム語彙の登録機能もあり、社内用語や製品名の認識精度を個別に高めることも可能だ。

商談録音と週次会議での活用イメージ

たとえば営業の商談録音では、話者識別によって「顧客の発言」と「自社担当の発言」を自動で分けた議事録が生成される。週次の部門会議では、出席者ごとの発言内容がタイムスタンプ付きで残るため、「誰がどのタスクを引き受けたか」を後からテキスト検索で確認できる。Gemini 3.8 Liveを使ったリアルタイム音声対話と組み合わせると、会議の前後すべてをGeminiがカバーする形になる。

従来の議事録作成と何が違うか

これまで会議後の議事録作成は、録音の聞き返し・言い淀み除去・話者ごとの整理という3ステップを人力でこなす作業だった。Gemini 3.5 TranscribeのAPIは、音声ファイルのアップロード1回でこの3ステップを自動化する。録音から話者別・整文済みのテキストまで、APIの一呼び出しで完結する。

Googleは同モデルをGboard Ramblerなど自社製品にも組み込んでおり、企業向けカスタマーエクスペリエンス製品への展開も予告している。現在はGoogle Cloud上でパブリックプレビューとして提供中だ。詳細はGemini API 公式ドキュメントで確認できる。