Gemini 3.5の文字起こしモデルとは？音声認識の精度と制限

Gemini 3.5 Transcribeは文字起こし専用

Gemini 3.5 Transcribeとは、Googleが2026年8月26日に公開した文字起こし専用のモデルです。つまり、音声をテキストへ変換する処理だけを担当し、対話や文章の生成までこなす汎用のGemini 3.5とは別物です。

リアルタイム用と録音済み用でモデルとAPIが異なる

マイクから流れてくる音声なら、Live APIとgemini-3.5-transcribe-liveを使います。すでに録り終えた音声なら、Interactions APIとgemini-3.5-transcribeです。

Googleはリアルタイムの遅延を1秒未満と説明し、会話に割り込んで応答する音声エージェントや字幕の生成に使うことができると公式ブログで紹介しています。会議や通話ログをあとからまとめて処理する用途には、録音済み向けの側が適しています。

どちらを使うかは作る前に判断します。発言者を分ける機能は録音済みの側にしかなく、リアルタイムを選ぶとあとから追加できません。

言い直しを消すスマート文字起こしは初期設定では動作しない

モードはverbatimとsmartの2つあり、何も選ばなければverbatimで動作します。 verbatimは話した内容をそのまま出力するモードで、「えー」「あのー」のような言いよどみや、言いかけてやめた言葉も出力に残ります。 smartを選ぶと言いよどみが消えます。「火曜日に会いましょう、いや水曜日で」と言い直したときは後から言った水曜日だけが残り、箇条書きや日付の書式もモデルが整えます。

例えば1人で吹き込んだ音声メモをそのまま報告書へ流し込むなら、分ける発言者がいないのでsmartで十分です。逆に5人の定例会議の録音でsmartを選ぶと、その時点で「誰の発言か」が消えます。

文字起こしの精度も速さも前世代のChirp 3より上

Gemini 3.5 Transcribeは、精度と速さの両方で前世代のChirp 3を超えました。 Googleが精度の指標に使う単語誤り率は、正しい文字起こしに対して単語がどれだけ間違ったかの割合で、低いほど正確とのこと。公表されている値は用途別に2つあります。

録音済みの音声ほど正確でリアルタイムでは精度がやや落ちる

Artificial Analysisの計測で、単語誤り率はストリーミング用途が4.0%、非ストリーミング用途が2.6%でした。 リアルタイム処理では言葉が出そろう前に結果を出力するぶん誤りが増え、最後まで聞いてから文字起こしを確定できる録音済みのほうが正確になります。

多言語をまとめて計測するFLEURSベンチマークでは誤り率が高くなり、ストリーミング5.50%・非ストリーミング5.04%でした。最終的な文字起こしが出るまでの時間も、Googleは前世代のChirp 3から70%改善したとしています。

日本語を含む85言語超を自動判別しなまりも聞き分ける

言語コードを指定しない場合は、85を超える言語の中からモデルが自動で判別します。 公式ドキュメントの対応言語表には、日本語がja-JPとして掲載されています。Googleによると、話の途中で別の言語に切り替わってもモデルはそのまま追従し、話し手のなまりの違いも聞き分けられるとのこと。

音声の言語が分かっているなら、そのコードを指定したほうが精度は上がると公式ドキュメントに記載されています。日本語の会議録のように話す言語が定まっているなら、自動判別に任せず先に指定しておきます。

使う前に知っておきたい4つの制限と料金

実際に組み込む段階では機能どうしの組み合わせに制約があり、ひとつを有効にすると別の機能を使うことができなくなります。そのため使う前に確認しておきたいのは、モードの組み合わせ・音声の長さ・話者の人数・単価の4つです。

スマート文字起こしと話者分離の同時利用は不可

smartは単語レベルのタイムスタンプとも話者分離とも組み合わせられません。5人が参加する定例会議の録音を議事録にするなら、発言者を分けたうえで読みやすく整える、という使い方はできません。

実際にはverbatimで発言者と時刻の入った文字起こしを先に受け取ります。読み物に書き換えるのは、そのあと別のモデルの仕事です。

発言者や時刻が必要ならverbatimを使うよう、公式ドキュメントにも記載されています。議事録を作るならverbatimが前提です。

音声は最大1時間で話者分離を足すと30分

標準のリクエストで送信できる音声は最大1時間ですが、話者分離や単語レベルのタイムスタンプを有効にすると30分に短くなります。そのため、1時間の会議を1回で投げる前提で設計すると話者を分けたくなった時点で処理できなくなるので、長い音声の分割か機能の限定かは先に判断しておきます。 数秒を超える音声ファイルはFiles APIへアップロードし、発行されたURIを指定するようGoogleは勧めています。

正確に誰の発言か分けられるのは2人までで3人以上は試験段階

話者を分ける機能は最大8人まで受け付けますが、公式ドキュメントは3人以上の割り当てを試験運用の位置づけとしています。 一方で公式ブログは、録音済みの音声なら3人まで正確に聞き分けられるとしていて、2つの公式資料で境目の人数が1人ずれています。

3人以上が入る会議で話者の区別を仕上がりの前提に置くと、本番の品質を試験運用の機能に頼ることになります。話者を分けて使うなら、ドキュメントに合わせて2人までを上限として設計しておくほうが安全です。

リアルタイムの文字起こしは録音より1分あたりの料金が高い

1分あたりの料金は録音済みよりリアルタイムのほうが高くなります。録音済み向けのgemini-3.5-transcribeは、1分あたり音声の入力0.003ドル（約0.474円）・文字の出力0.002ドル（約0.316円）の合計でおよそ0.005ドル（約0.79円）とのこと。

リアルタイムのgemini-3.5-transcribe-liveは、入力0.005ドル（約0.79円）・出力0.004ドル（約0.63円）の合計でおよそ0.009ドル（約1.42円）です。 また、2つのモデルのどちらにも無料枠があります。1分あたりの金額は、音声を1秒あたり25トークン・文字を1分あたり175トークンとしてGoogleが概算した値です。

カスタム語彙に登録できる語数にも上限があります。固有名詞や専門用語を先に入れておく機能で、最大1,000語まで指定できますが、100語までに抑えたほうが結果は良くなりやすいと公式ドキュメントに記載されています。

どのAPIとモードを選び、費用をどう見積もるか

5人以上が参加する会議の議事録なら、Interactions APIとverbatimモードです。 言いよどみが残ったままの文字起こしを受け取り、読みやすく整える作業はあとに回します。

1人の音声メモを報告書へ流し込む作業だけなら、同じInteractions APIでsmartを選びます。 入っているのは1人分の声だけなので、誰の発言かを分ける必要がありません。

問い合わせ対応の画面にリアルタイム字幕を出すならLive APIです。 Live APIには発言者を分ける機能がそもそも用意されていないので、迷う余地がありません。

1分あたりの料金が公式に出ているので、月にいくらかかるかは処理する音声の分数から見積もれます。まずは無料枠で精度をチェックしてから、本番で処理する分数を単価に掛けて費用を出します。 汎用モデル側の料金はGemini 3.5はFlash系の2モデルが正式提供、上位版は未提供にまとめています。