記事のサマリー（TL;DR）
- Gemini 3.5 Transcribeはストリーミング WER 4.0%・非ストリーミング WER 2.6% を達成し、前モデル Chirp 3 比で最終文字起こしまでの時間が70%短縮
- Live API（リアルタイムストリーミング）と Interactions API（録音済み音声処理）の2系統で提供。話者識別・単語レベルタイムスタンプに対応
- 85言語以上を自動検出・文字起こし。Agora・LangChain・LiveKit・Vercel など主要開発者プラットフォームがすでに統合済み
国内 AI エージェント・音声 SaaS 開発者が押さえるべき API 仕様と活用ポイント
Google が2026年8月26日に公開した Gemini 3.5 Transcribe は、音声エージェント・リアルタイムキャプション・コール後分析パイプラインの構築を想定した API として設計されています。日本語は FLEURS ベンチマーク対象言語に含まれており、方言・訛りへの対応が強調されている点は、コールセンター向け SaaS や議事録自動生成ツールを開発する国内ベンダーにとって注目に値します。
カスタム語彙機能（Custom Vocabulary）は、業界固有の専門用語や固有名詞を登録して文字起こし精度を高める仕組みです。医療・法務・製造など専門用語が多い分野での利用や、kintone や Salesforce などの業務 SaaS に音声入力 UI を付加するユースケースとの親和性が高く、「話す→フィールド入力」のフローを実装する際の精度担保に機能します。
また、Claude / MCP との組み合わせで音声エージェントを構築する構成においても、Gemini Live API をフロントの文字起こし層として利用し、後段のビジネスロジック処理を MCP ツール経由で実行するアーキテクチャが現実的な選択肢として浮上します。
詳細
Gemini 3.5 Transcribe とは
Gemini 3.5 Transcribe は、Google が2026年8月26日に発表した最新の音声→テキスト変換モデルです。従来の音声認識モデルが苦手としてきた背景雑音・専門用語・言い淀み（filler words）の処理を克服し、生の音声を直接、正確かつ整形済みのテキストへ変換します。
Gemini アプリや Android デバイスではすでに消費者向けに提供されており、Android の「Rambler」機能や macOS 版 Gemini アプリでの活用事例が報告されています。今回の発表では、同等の機能を開発者が構築できるよう、Gemini API（Google AI Studio）および Gemini Enterprise Agent Platform でのパブリックプレビュー開始が正式に告知されました。
2種類の API
リアルタイムストリーミング
- エンドポイント:
gemini-3.5-transcribe-live（Live API 経由） - サブ秒レイテンシによる双方向ストリーミングを提供
- 音声エージェントや会話型アプリに適した設計
録音済み音声処理
- エンドポイント:
gemini-3.5-transcribe（Interactions API 経由） - 会議録・通話ログなどの事後処理に対応
- 話者識別（最大3名、3名超は試験的対応）と単語レベルタイムスタンプを提供
主要機能
スマート文字起こし（Smart Transcription）
「火曜日に会いましょう——いや、水曜日」のような自己訂正を適切に処理し、フィラーワード（「えー」「あの」）を除去。テキストを自動整形します。
ファンクションコーリング（Function Calling）
画像生成・ファイル解析など複雑なタスクを他の Gemini モデルへ委譲する機能。現在は macOS 版 Gemini アプリで利用可能です。
精度指標
Artificial Analysis の計測によると、ストリーミングで平均 WER 4.0%、非ストリーミングで WER 2.6% を達成。郵便番号・注文ID などの英数字混在エンティティの認識精度も高く、実環境の騒音下でも安定した性能を発揮します。FLEURS ベンチマークでは、ストリーミング WER 5.50%・非ストリーミング WER 5.04% を記録し、前モデル Chirp 3 から大幅に改善されています。また、最終文字起こしまでの時間は Chirp 3 比で 70% 短縮されました。
カスタム語彙（Custom Vocabulary）
提供した語彙リストに基づいて専門用語・固有のスペルを認識。分野特化型アプリケーションの精度向上に直結します。
多言語・多話者対応
85言語以上を自動検出・文字起こし。地域訛りや多様な方言にも対応します。複数話者の音声では最大3名の話者を識別してタイムスタンプ付きで記録します（3名超は試験的対応）。
主要サービス・プラットフォームとの統合
Gemini Live API を活用する開発者プラットフォームとして、Agora・Fishjam・LangChain・LiveKit・Pipecat・Vercel・Vision Agents がすでに統合済みです。これらのプラットフォームはリアルタイムメディアストリーミングのインフラを内部で管理するため、開発者はユーザー体験の設計に集中できます。
Vivo・Intellitek Health・Lingopal などの企業も低レイテンシ・高精度・豊富な言語サポートを評価するコメントを公表しています。
各 Google サービスへの展開状況
| サービス | 機能 | 状況 |
|---|---|---|
| Gboard (Android) Rambler | 話し言葉を整形テキスト化、音声編集対応 | 一部国・言語で提供中 |
| Google Antigravity | 画面コンテキストと組み合わせた高精度文字起こし | 提供中 |
| Google AI Studio (Build mode) | 音声でのバイブコーディング | 提供中 |
| Gemini app on macOS | 音声コマンドによるワークフロー自動化・画像生成 | 提供中（英語） |
| Chrome | 任意のウェブフィールドへの音声入力 | 近日公開予定 |
利用開始方法
- 開発者向け: Google AI Studio および Google Antigravity 経由の Gemini API でパブリックプレビュー公開中
- 企業向け: Gemini Enterprise Agent Platform でパブリックプレビュー公開中。Gemini Enterprise for Customer Experience への展開は近日予定
- 一般ユーザー向け: macOS 版 Gemini アプリ（英語）、Android 版 Rambler（一部国・言語）、Chrome は近日公開予定