何が発表されたか
GoogleはGemini Audioを更新し、新しい文字起こしモデル「Gemini 3.5 Transcribe」を投入しました。85を超える言語と、その分野固有の専門用語を自動的に検出します。Googleはこのモデルについて、従来の文字起こしモデルであるChirp 3から「大きく前進した」と説明し、特に多言語性能と単語の誤り率で改善したとしています。
機能面では、テキストの自動整形とフィラー語（「um」「uh」など）の自動除去、最大3話者までの話者分離、単語単位のタイムスタンプに対応します。ユーザーが独自の語彙リストを渡せば、固有の表記ルールや専門用語にモデルが適応し、あとから手作業で直す必要がなくなります。Googleは「声だけで自然に編集できる」とも表現しています。
提供は本日から、macOS版Geminiアプリのすべてのユーザーにまずは英語で、AndroidではRambler（ディクテーション機能）を通じて一部の国と言語で始まります。開発者向けにはAI StudioとAntigravity経由のGemini APIでパブリックプレビューとして利用でき、Chrome対応も近く追加されるとしています。
「文字起こし」がAPIの一機能になった意味
注目すべきは、これが単体アプリの機能追加ではなく、Gemini APIのパブリックプレビューとして同時に開くことです。話者分離、単語単位タイムスタンプ、カスタム語彙という3点は、これまで専業の文字起こしSaaSが差別化ポイントとして持っていた要素とほぼ重なります。汎用モデル側がこの束をまとめて提供し始めたということは、「音声をテキストにする」こと自体の値段が下がり続ける方向を意味します。
カスタム語彙の対応も見逃せません。医療、法務、製造、金融のように社内用語と表記ゆれが多い領域では、精度の最後の数パーセントを埋めるのは常に手作業でした。そこをモデル側に渡せる設計は、導入コストの重心を「後処理」から「用語辞書の整備」へ移します。
発表のちぐはぐさ
もう一つ、今回の発表には整理が必要な点があります。Googleは当初、The Vergeに対して「Gemini 3.5 Live」と「Gemini 3.5 Live Experimental」も同日にGemini Audioへ来ると伝えていましたが、記事公開後に連絡があり、これらはまだ提供しないと訂正しました（8月26日付の更新）。新しい提供時期は示されていません。
3.5 Liveは文中での割り込み処理、言語認識、リアルタイムの視覚処理が改善するとされ、3.5 Live Experimentalはより複雑なタスクの推論中に自分の進行状況を段階的に実況する、という説明でした。加えてGoogleは、6月に展開すると約束したGemini 3.5 Proをいまだ出していません。3.5 Transcribeは3.5 Live Translateに続く追加であり、ファミリー全体としては前進している一方、ロードマップの発表と実際の出荷にずれが生じている状況です。
💼 事業会社視点：これは自社にどう効くか
直接の影響を受けるのは、議事録・コールセンター・医療記録・字幕制作といった音声テキスト化を売っている国内SaaSです。話者分離・単語単位タイムスタンプ・カスタム語彙という差別化の三点セットがGemini APIのプレビューで開いた以上、「精度が高い文字起こし」だけを価値提案にしたプロダクトは価格圧力を受けます。事業責任者は、自社の粗利がどこから出ているのかを棚卸しすべきです。変換精度で稼いでいるなら危険、ワークフロー（承認フロー、業務システム連携、セキュリティ要件、業界別テンプレート）で稼いでいるなら、基盤モデルを乗り換えて原価を下げる好機になります。
受託開発では、顧客から「Whisperベースの文字起こし基盤」を作った案件の再検討依頼が来る前に、こちらから比較検証を提案するのが得策です。85言語対応は、越境ECや海外拠点を持つ製造業で、多言語の問い合わせ音声や現場記録を一本の基盤で扱える可能性を意味します。
ただし調達判断は急がないでください。Googleは6月に約束したGemini 3.5 Proを未提供で、今回も3.5 Live系の同日提供をいったん伝えた後に撤回しています。日本語での提供範囲も現時点では限定的です。評価環境で自社の音声データを流して精度を測る作業は今すぐ、契約の切り替えは提供範囲が固まってから、という二段構えが妥当です。