Googleが音声認識モデル「Gemini 3.5 Transcribe」を2026年8月26日に公開し、議事録作成や通話の文字起こし精度が大きく変わります。非ストリーミング処理での誤字率（WER）は2.6%、リアルタイムのストリーミングでも4.0%を達成しており、同社の前世代モデルを大きく上回っています。
言い淀みと雑音を処理し、整形済みテキストで出力
話し言葉の文字起こしで最も困ってきたのは、「えーと」「あの」といった言い淀みや、複数人が話す場面での誤認識です。Gemini 3.5 Transcribeはこれらを自動で除去し、整形されたテキストとして出力します。話し言葉そのままではなく、読めるテキストが最初から出てくる点が、単なる精度向上とは異なります。
対応言語は85以上あり、日本語と英語が混在する通話でも自動判別して処理します。業界ごとの専門用語に対応するカスタム語彙機能も備えており、医療や法務、IT分野での誤認識を減らせます。
リアルタイムと事後処理、2種類のAPIで使い分け
開発者向けには用途に応じた2種類のAPIが用意されています。Live APIはリアルタイムの双方向ストリーミングに対応し、遅延は1秒未満です。オンライン会議や通話をその場で文字起こしする用途に向いています。
Interactions APIは録音済みの音声を処理するもので、単語レベルのタイムスタンプと最大3人までの話者識別に対応しています。誰が何を言ったかが自動で分かるため、会議後の議事録整理が楽になります。どちらもGoogle AI Studioから利用でき、APIキーを取得すれば試せる環境が整っています。
GboardとMac・Chromeへの展開
Androidのキーボードアプリ「Gboard」には「Rambler」と呼ばれる機能が追加されます。音声で話した内容を自動整形し、そのまま文章として入力できるようになります。日本語版も提供予定とされており、スマートフォンでの文章入力が変わります。
Mac版のGeminiアプリやChromeブラウザへの統合も計画されており、すでにGoogle Workspaceの管理コンソールにGeminiが入った流れと合わせて、GoogleはAIを業務ツール全体に広げています。APIを使わない形でも、この精度の恩恵を受ける場面が増えます。
議事録作業への具体的な影響
誤字率2.6%は、10,000文字の会議録で約260文字の誤りが残る水準です。これを手作業で確認・修正する時間は、実際の業務では積み上がりやすいものでした。精度の向上に加え、話者識別が自動化されることで、会議後の議事録整理にかかる時間が大きく変わります。
特に複数の外部参加者が含まれる会議や、録音を後から処理するワークフローでは、ツールの見直しを検討するきっかけになりそうです。
FREE DOWNLOAD
実務で使えるお役立ちコンテンツを無料で見る
無料会員登録で、実務で使えるAIテンプレート・プロンプト・PDFを受け取れます。
全PDFにアクセスする（無料）
無料会員登録して受け取る
会議の後に「議事録まだできてない」が続くの、あるあるですよね。
今回の発表で興味深かったのは、精度だけじゃなく「誰が言ったか」の分離まで自動化された点です。そこが揃うと、修正作業の手間が一気に減る気がします。
まずはGoogle AI Studioで試してみると、想像より早くなじむかもしれません。