Gemini 3.5 Transcribe: 85言語、誤り率2.6% — Googleが描いた音声認識の新基準

会議が終わると、議事録がすでに完成している。講義が終わると、字幕が自動的に付く。そんな時代が来た。

Googleは2026年8月26日、Gemini 3.5 Transcribeを正式公開した。単なる音声認識モデルではない。業界の精度基準を塗り替えた、新たな標準だ。

数字で見る精度：WER 2.6%

音声認識品質の核心指標は**単語誤り率（WER、Word Error Rate）**だ。100単語を聞いて何個間違えるかを示す。

Gemini 3.5 Transcribeの非ストリーミングWERは2.6%。ストリーミングモードでは**4.0%**だ。Artificial Analysisのベンチマーク基準で、これは現在公開されている商用音声認識モデルの最上位クラスの数値だ。

モード	WER	特徴
非ストリーミング (gemini-3.5-transcribe)	2.6%	録音済みファイル、発話単位の言語検出
ストリーミング (gemini-3.5-transcribe-live)	4.0%	リアルタイムWebSocketストリーミング

WER 2.6%とは、100単語中約2〜3個だけ間違えるという意味だ。人間がタイピングする際の誤字率と同等かそれ以下のレベルだ。

講義動画、ポッドキャスト、インタビュー録音のような完成済み音声ファイルを扱う際に使用する。ファイルをアップロードすると、発話単位で言語を自動検出して文字起こしする。

Live API上で動作するリアルタイムストリーミングだ。WebSocketで接続すると、話した瞬間にテキストが生成される。

この機能が特に目を引く。録音ファイル全体ではなく、発話単位で言語を検出する。

例えば、一方が日本語で、もう一方が英語で話すインタビューファイルをアップロードすると、各発話ごとに言語を自動検出して該当言語で文字起こしする。国際学術カンファレンス、グローバルチームの会議、多言語コミュニティの録音資料を処理する際に強力なツールとなる。

エドテックの観点から最も実用的な活用シナリオを3つ挙げる。

1. 講義への字幕自動生成 教師が動画を録画した後、音声ファイルをGemini 3.5 Transcribeに渡すと、タイムスタンプ付きの字幕データが自動的に作成される。

2. 学生発表の評価補助 学生発表を録音して文字起こしすれば、テキストをベースにフィードバックを提供したり、ルーブリック採点に活用できる。話者分離機能をオンにすれば、グループ発表での各学生の発言量も測定できる。

3. 多言語学生サポート 母語が日本語でない学生が母語で答えた内容を文字起こしして、教師が翻訳ツールと組み合わせて内容を把握するのに活用できる。

AI音声認識が常に苦手とする領域がある。人名、ブランド名、技術用語、地域固有の言葉だ。

Gemini 3.5 Transcribeは**最大1,000語のカスタム語彙（Custom Vocabulary）**を指定できる。一般的な言語モデルが不慣れな単語をリストに入れれば、その単語を優先認識する。

Gemini APIを通じてアクセス可能だ。Google AI Studioですぐにテストでき、商用化時にはGoogle Cloud AIの料金体系に従う。現在GA（正式リリース）状態だ。

始め方はシンプルだ：

Gemini 3.5 Transcribeは音声認識を「まあ使える」レベルから「信頼して使える」レベルへ引き上げた。特に多言語環境、専門用語が多い分野、リアルタイム文字起こしが必要なサービスでは大きな変化をもたらすことができる。

音声をテキストに変える技術が教育コンテンツ制作と学習支援の基盤インフラになっている今、音声を逃さない技術はそれ自体が教育アクセシビリティの問題だ。

Sources: