外部では依然としてGemini 3.5 Proの発表が待たれる中、Googleは先に3.5シリーズの別モデルを発表しました。同社は本日、Gemini 3.5 Transcribe音声テキスト変換モデルを発表しました。音声入力の体験向上を目的としたAIモデルで、「えー」「あのー」などの口癖や、言い間違いの後に自分で訂正した内容を音声から自動的に削除し、より自然で整ったテキストを生成できます。
このモデルは現在、Pixel 11のGboardキーボードに搭載された「Rambler」機能をサポートしており、今後はGoogleのさらに多くの製品やサービスにも順次導入される予定です。
Googleによると、従来のChirp 3という音声テキスト変換エンジンと比べ、Gemini 3.5 Transcribeは速度と精度の両面で向上しています。ユーザーが話してから最終的な文字起こしテキストが生成されるまでの全体的な速度は約70%向上すると見込まれ、リアルタイム音声の場面ではエラー率が5.5%まで低下しています。
ただし、精度の向上幅は特に大きいというほどではありません。Googleのデータによると、Chirp 3のエラー率は7.32%です。それでも、音声入力を頻繁に使うユーザーにとっては、誤字が数文字減るだけでも後から手動で修正する量が少なくなるため、実用的な改善といえます。
Gemini 3.5 Transcribeの能力は、ユーザーが何を話したかを「聞き取る」だけにとどまりません。ユーザーが本当に伝えたいことを理解しようともします。話している途中で、「えー」「あのー」など、文章の流れを妨げる口癖を自動的に削除できます。ユーザーが言い間違えた直後に訂正した場合は、生成済みのテキストもリアルタイムで調整できます。さらに、カスタム語彙を登録することで、専門用語や特定分野の語彙をより正確に認識させることもできます。
このモデルは現在85言語に対応し、最大3人の話者を含む録音済み音声を処理できます。
もちろん、この機能には明らかな問題もあります。AIが自分の本当の意図を正確に理解できると、ユーザーが信頼する必要があることです。少なくとも短いテキストでは、Rambler機能を実際に試した限り、モデルは前後で一貫しない表現や話す際のつまずきをうまく整理し、テキストをより自然に見せることができます。
一方で、Gemini 3.5 Transcribeは音声を単純に文字へ変換するだけではありません。AIは内容を整理する過程で、ユーザー本来の言い回しを変えてしまう可能性があります。そのため、発言を厳密にそのまま残す必要があり、表現を勝手に変更できない場面では、この「スマートな文章整理」は必ずしも適していません。