GoogleのGemini 3.5 Transcribe、85言語で音声認識エラーを70%削減

Googleは、リアルタイムで85以上の言語を認識できる音声テキスト変換モデルであるGemini 3.5 Transcribeをリリースしました。このモデルは、ストリーミングでは4.0パーセント、録音された音声では2.6パーセントの単語エラー率を実現し、前世代のChirp 3と比較して70パーセント低い遅延を実現しています。このモデルは、音声のつまずきを自動的に修正し、フィラー単語を除去し、テキストを自動的にフォーマットします。このモデルは、リアルタイムストリーミング用のLive APIと、録音された音声に対する話者属性とタイムスタンプ付きのInteractions APIの2つのインターフェースを通じて利用できます。Gemini 3.5 Transcribeは、Google AI StudioとGemini Enterprise Agentプラットフォームでライブ配信されており、すでにAndroidのGboardとmacOSのGeminiアプリに統合されています。