Googleが2026年8月26日、音声を文字に起こす専用のAIモデル「Gemini 3.5 Transcribe」を発表した。会議の議事録やメールの音声入力といった、普段は目立たない作業を支えるモデルだが、Googleが示した数字は軽くない。文字起こしが完了するまでの時間は、旧モデル「Chirp 3」と比べて70%短縮されたという。

これはChatGPTやClaudeのような対話型AIの新モデルではない。会議の議事録、字幕、音声入力といった特定の作業に特化したAIだ。派手なベンチマーク合戦の裏で、Googleはこうした裏方のモデルにも着実に手を入れている。読者の多くが日常的に触れている「音声入力」「文字起こし」の裏側で、実際に何が変わったのかを見ていく。

⚠ 情報の鮮度について
一次情報はGoogle公式ブログ、およびAndroid Authority・9to5Googleなど複数の英語メディアによる報道（いずれも2026年8月26日）です。本記事公開時点で一次報道から約100時間が経過しています。速報ではなく、発表から一定の時間が経った時点での整理として書いています。
Section 01

Gemini 3.5 Transcribeとは何か

Gemini 3.5 Transcribeは、Googleの汎用対話モデル「Gemini」の言語理解を土台にした音声認識専用のモデルだ。用途に応じて2つの形で提供される。

録音済みの音声ファイルを丸ごと処理するgemini-3.5-transcribeと、通話や会議をその場で文字にするgemini-3.5-transcribe-liveである。前者は最大1時間の音声を扱えるが、話者の識別（最大3人）や発言ごとのタイムスタンプを付ける機能を使う場合は30分までに制限される。後者はWebSocket経由でリアルタイムに配信し、1セッションあたり最大10分まで対応する。

いずれも85以上の言語を自動で判定し、会話の途中で言語が切り替わっても追従する。フィラー（「えー」「あの」といった言い淀み）の除去や、話し言葉を読みやすい文章に整える機能も備える。前身にあたるのは、これまで音声認識を担ってきた「Chirp 3」というモデルだ。

Section 02

Chirp 3から何が変わったのか

Googleが公開した数値を見ると、変化の中身がわかる。文字起こしの誤りの多さを示すWER（単語誤り率）は、数値が低いほど精度が高いことを意味する。Gemini 3.5 Transcribe自身のスコアは、評価に使うベンチマークによって次のようになる。

評価条件（Gemini 3.5 Transcribe） ライブ配信時 録音済み音声
独立系ベンチマーク（Artificial Analysis） 4.0% 2.6%
多言語ベンチマーク（FLEURS） 5.50% 5.04%

Googleは「Chirp 3からの進化」として誤り率の改善と大幅な低遅延化を挙げているが、公式発表の中でChirp 3自身のWERの数値は示されていない。ベンチマークの条件が異なる2つの数値表を単純に比べることもできない。新旧モデルを直接比較できる形で公表されているのは、処理時間の指標だけだ。Artificial Analysisの計測によれば、文字起こしが完了するまでの体感時間はChirp 3比で70%短縮されたという。

Chirp 3を100とした場合のGemini 3.5 Transcribeの文字起こし完了までの時間を横棒グラフで比較した図。Chirp 3が100に対しGemini 3.5 Transcribeは30で、Googleの発表による70%の時間短縮を示している。
70% 文字起こし完了までの時間短縮（対Chirp 3）
85+ 自動判定に対応する言語数
3人 話者を識別できる上限（録音済み音声）
一言でまとめると──「同じ会話を、より速く文字にできるようになった」。処理にかかる体感時間はChirp 3比で3割程度まで縮み、誤り率も評価条件によって2.6〜5.50%の水準にあるとGoogleは説明しています。
Section 03

どこですでに使えるのか

Gemini 3.5 Transcribeは発表と同時に、Googleの複数の製品に組み込まれ始めている。Android版Gboardの音声入力機能「Rambler」、macOS版のGeminiアプリ、検索の「Search Live」、そしてGmail・Googleドキュメント・Keepの音声入力がすでに対象になっている。

開発者向けには、Google AI StudioとGoogle Antigravity経由でAPIがプレビュー公開されている。企業向けにはGemini Enterprise Agent PlatformとGemini Enterprise for Customer Experienceでも利用できる。ブラウザのChromeへの統合は「近く提供予定」とされ、まだ来ていない。

01
Androidユーザー

Gboardの音声入力「Rambler」経由で、対応する国・言語であればすでに新モデルの恩恵を受けている可能性がある。

02
Google純正アプリを使う人

Gmail・ドキュメント・Keepの音声入力が対象。会議メモや下書きの音声入力を使っているなら、体感の変化に気づきやすい。

03
開発者・企業ユーザー

API経由の利用はまだプレビュー段階。本番環境に組み込む前に、料金と対応言語の条件を確認しておきたい。

Section 04

Gemini 3.5 Transcribeの料金

API経由の料金は、音声の長さに換算した目安が示されている。ファイル処理用のgemini-3.5-transcribeは、入力（音声）が100万トークンあたり2.00ドル、出力（テキスト）が100万トークンあたり12.00ドルで、目安として音声1分あたり0.005ドル程度になる。リアルタイム配信用のgemini-3.5-transcribe-liveは、入力3.50ドル・出力21.00ドル（同）で、1分あたりの目安は0.009ドルとやや高い。いずれも無料枠が用意されている。

文字起こし専用モデルは他社にもある。ChatGPTのAPIを提供するOpenAIは、「gpt-4o-transcribe」を1分あたり目安0.006ドル、より軽量な「gpt-4o-mini-transcribe」を同0.003ドルで提供している。ベンチマークの取り方が異なるため精度をそのまま比較はできないが、料金の水準はどの社も1分あたり1セント未満という近い帯に集まっている。

モデル（提供元） 入力（音声） 出力（テキスト） 1分あたり目安
Gemini 3.5 Transcribe（Google） 2.00ドル/100万トークン 12.00ドル/100万トークン 0.005ドル
Gemini 3.5 Transcribe Live（Google） 3.50ドル/100万トークン 21.00ドル/100万トークン 0.009ドル
gpt-4o-transcribe（OpenAI） 2.50ドル/100万トークン 10.00ドル/100万トークン 0.006ドル
gpt-4o-mini-transcribe（OpenAI） 1.25ドル/100万トークン 5.00ドル/100万トークン 0.003ドル
ⓘ 無料枠の中身
Gemini 3.5 Transcribeの無料枠は、入力・出力とも無償で使える一方、その利用データはGoogleの製品改善に使われるという条件が付きます。有償プランではこの扱いはありません。無料枠で試すときは、社外秘の音声を流さないなど、扱う内容にご注意ください。
Section 05

いま文字起こしツールを使っている人はどうすべきか

会議の議事録作成や取材の文字起こしに、すでに専用アプリやWhisper系のツールを使っている人は多いだろう。今回の発表は、その選択を急いで見直す理由にはならない。Gboard・Gmail・ドキュメントに組み込まれた分はすでに手元で使える範囲であり、既存の運用を崩す必要はない。

一方で、API経由で自作のツールに音声認識を組み込んでいる、あるいはこれから組み込もうとしているなら、条件を比べる価値はある。特にチェックしたいのは3点だ。

💡 比べておきたい3点
①対応言語と方言の精度──日本語や関西弁のような方言をどこまで拾えるかは、公開されたベンチマークだけでは分かりません。実際の音声で試すのが早道です。②話者識別の上限──Gemini 3.5 Transcribeの録音済み音声モードは3人までです。4人以上が参加する会議では、識別の精度が落ちる可能性があります。③データの扱い──無料枠か有償枠かで、音声データの利用条件が変わる製品は珍しくありません。

いずれも現時点ではプレビュー段階の機能を含む。本番の業務フローに組み込む判断は、正式提供を待ってからでも遅くはない。

Section 06

編集部の見立て

Editor's Opinion

今回の発表で印象に残るのは、Googleが「賢さ」ではなく「作業の精度」を競う分野にも、同じだけの力を注いでいる点です。文字起こしは採点しやすい分野で、誤り率という一つの数字で進歩がそのまま見えます。だからこそ、70%という時間短縮の数字には嘘が入り込みにくいと感じます。

もう一つ気になるのは、この種のモデルが徐々に「個別の製品」ではなく「土台の機能」として溶け込んでいく流れです。Gboardの音声入力やGmailの下書きに黙って組み込まれてしまえば、ユーザーはモデルの名前を意識することすらありません。AIを選ぶという行為が、チャット画面の向こう側だけでなく、キーボードやメール作成画面の裏側にも広がっていることを、この発表は思い出させてくれます。

料金だけを見れば、GoogleとOpenAIの文字起こしモデルはほぼ同じ帯に収まっています。ここで差がつくとすれば、精度でも価格でもなく、すでにどのエコシステムを使っているかでしょう。Gmailやドキュメントを日常的に使っている人にとっては、Gemini 3.5 Transcribeは意識しないうちに使い始めているモデルになりそうです。

Section 07

まとめ

Googleは2026年8月26日、音声文字起こし専用のAIモデル「Gemini 3.5 Transcribe」を発表しました。旧モデルのChirp 3と比べて、文字起こし完了までの時間は70%短縮されています。誤り率（WER）は独立系ベンチマークでライブ配信時4.0%・録音済み音声2.6%、多言語ベンチマークのFLEURSではライブ配信時5.50%・録音済み音声5.04%です。Chirp 3自身のWERはGoogleから公表されていません。

すでにAndroidのGboard音声入力やGmail、Googleドキュメント、Keepに組み込まれ始めており、開発者向けにはGoogle AI Studio経由でプレビュー公開されています。料金は音声1分あたり0.005〜0.009ドルの水準で、OpenAIの文字起こしモデル（0.003〜0.006ドル）と近い帯にあります。

開発者向けの提供はまだプレビュー段階で、Chromeへの搭載も「近く」とだけ告知されています。Chirp 3自身の誤り率が公表されていない以上、70%短縮という数字が手元の音声でどう出るかは、正式提供とあわせて示される条件を見るまで分かりません。

Googleは同じ8月に、Geminiファミリーで他の専用モデルも動かしている。コーディング特化のGemini 3.7 Flashは価格を半額にし、動画生成のGemini Omni 1.1 Flashも正式提供された。チャットの外側で、Googleは着実に持ち駒を増やしている。