高精度かつ低遅延の音声文字起こしを提供する「Gemini 3.5 Transcribe」が公開されています。音声理解技術を基盤に、85以上の言語を自動検出し、多言語コードスイッチングにも対応します。音声ファイル処理では話者の識別や単語レベルのタイムスタンプをサポートし、発話の属性情報まで取得できます。リアルタイム用途向けにはWebSocketsを用いたライブAPIが提供され、低遅延のストリーミング転写に対応します。カスタム語彙のバイアス機能により、ドメイン固有用語の精度向上が図れます。スマート転写では、つなぎ語の整理や意図に応じた英数字フォーマットが可能です。
提供モデルと機能制限の詳細
提供形態はファイル処理の「gemini-3.5-transcribe」とリアルタイムの「gemini-3.5-transcribe-live」です。ファイル処理は最大1時間の音声に対応し、話者識別やタイムスタンプを有効にすると最大30分となります。ライブAPIはセッションあたり最大10分で、話者識別や単語レベルタイムスタンプは対象外です。カスタム語彙バイアスは両エンドポイントで最大1000語まで指定可能で、一般的には最大100語程度で良好な結果が得られます。話者識別は最大8人に対応し、3人以上の帰属は実験的とされています。バッチAPIやキャッシュ、コード実行、ファイル検索、関数呼び出し、画像生成などはサポート対象外です。
導入シナリオと実務の進め方
会議録やインタビューの文字起こしにはファイル処理を用い、話者識別と単語タイムスタンプを有効化して後工程の編集効率を高める方法が適しています。ライブ配信の字幕やコールセンターのリアルタイム支援にはライブAPIを選び、低遅延を優先します。固有名詞や業界用語が多い場合は、カスタム語彙に重要語を最大100語程度登録し、誤変換を抑制します。多言語会話が想定される場合は自動言語検出を前提にしつつ、出力後に用語統一のポストプロセスを計画します。長時間音源は機能有効時の30分制限を考慮して分割し、処理キューを設計します。まずはGoogle AI Studioで試験導入し、精度と遅延のベンチマークを取得して運用条件を固めると良いでしょう。
詳しくは「Google」の公式ページまで。レポート／DXマガジン編集部
