Gemini 3.5 Transcribe登場—85言語対応でもプレビューには制限

Googleは2026年8月26日、音声文字起こしモデルGemini 3.5 Transcribeを発表し、開発者向けにパブリックプレビューを開始した。Googleの公式発表 では、日本語を含む85以上の言語を自動検出し、ライブ音声用と録音済み音声用の2モデルを提供すると説明している。ライブ版は1秒未満のストリーミング、録音版は話者識別と単語単位のタイムスタンプに対応する。

国内では、8月27日付の ケータイ Watchの記事 も、8月26日の発表とGoogle AI StudioおよびGemini Enterprise Agent Platformでのパブリックプレビュー開始を報じた。ただし、2モデルは単なる速度違いではない。利用するAPI、モデルID、得られる時刻情報、話者識別の有無が異なり、Agent Platformには処理時間とリージョンの制限もある。

利用環境と音声の状態でモデルIDを選ぶ

Gemini APIで録音済み音声を処理するモデルIDはgemini-3.5-transcribeで、Interactions APIを使う。会話中の音声を継続的に送る場合はgemini-3.5-transcribe-liveをLive APIに接続し、途中結果と確定結果を受け取る。Google AI Studioは両者を試す開発環境になる。

Gemini Enterprise Agent Platformでは、録音用がgemini-3.5-transcribe-preview、ライブ用がgemini-3.5-transcribe-live-previewとなる。Gemini APIのサンプルからモデル名だけを移しても動作環境は一致しない。認証、クライアントの初期化、呼び出し方式まで対象のプラットフォームに合わせる必要がある。

選択基準は、処理開始時に音声が完成しているかどうかだ。字幕や音声入力のように発話中の表示が必要ならライブ版、会議やインタビューの録音から話者別の記録や細かな時刻情報を作るなら録音版が適している。

ライブ版と録音版の機能差

2026年8月26日更新の Google Cloudの機能・制限表 によると、Agent Platform向けプレビューでは次のように機能が分かれる。

• ライブ文字起こし：gemini-3.5-transcribe-live-previewを使用する。発話単位のタイムスタンプに対応する一方、単語単位のタイムスタンプと話者識別には対応しない。音声時間の上限は10分。
• 録音ファイル処理：gemini-3.5-transcribe-previewを使用する。単語ごとの開始・終了時刻と最大8人の話者識別に対応するが、発話単位のタイムスタンプには対応しない。音声時間の上限は15分。
• 共通機能：85以上の言語の自動検出、会話中の言語切り替え、スマートディクテーションと書式調整、カスタム語彙を利用できる。
• カスタム語彙：上限は1000語句だが、資料では良好な結果を得やすい目安を100語句までとしている。

10分と15分という上限はAgent Platformの資料に示された条件であり、Gemini API全体の上限として読み替えるべきではない。実装時には、利用するプラットフォームとモデルIDを確定してから、その環境の仕様を確認する必要がある。

タイムスタンプと話者識別には範囲差がある

ライブ版の発話単位タイムスタンプは、会話のまとまりに沿って字幕を更新する用途に向く。個々の単語の開始・終了位置は返さないため、単語単位で字幕を同期する処理や、特定語の位置へ音声プレーヤーを移動する機能には録音版が必要になる。

録音版では単語単位のタイムスタンプを取得できるが、Cloud資料は、この機能によって文字起こし精度が下がる可能性を明記している。時刻情報を使わない議事録まで一律に有効化する機能ではなく、字幕生成や音声との照合など、単語位置が必要な処理向けである。

話者数の表現には資料間で範囲差がある。発表記事は録音音声で最大3人を識別し、3人以上を実験的と説明する一方、Agent Platformの仕様表は上限を8人とし、同じく3人以上の割り当てを実験的としている。前者は発表時の訴求範囲、後者は特定プラットフォームの技術上限であり、「8人まで同じ品質が保証される」という意味ではない。

日本語は対応済み、整形と逐語記録は別

Agent Platformの対応言語表では、日本語のBCP 47コードja-JPは「Supported」とされている。言語の自動検出に加え、同じセッション内で言語が切り替わるコードミキシングにも対応するため、日本語の会話に英語の製品名や技術用語が混ざる音声も処理対象になる。

音声が日本語だと分かっている場合は、ja-JPを言語ヒントとして指定できる。これは対応言語を追加する設定ではなく、候補を絞るための指定だ。人名、社名、製品名、専門用語など一般語彙から推測しにくい表記は、カスタム語彙へ必要な語だけ登録する。

スマートディクテーションは、フィラーの除去、言い直しの整理、英数字表現の書式調整を行う。読みやすい文章を得る用途には有効だが、実際の言いよどみや自己修正を残す逐語記録とは出力目的が異なる。監査や発話分析で原音どおりの記録が必要な場合は、整形されたテキストだけを保存しない設計が必要になる。

プレビューではglobalのみ、周辺機能も未対応

Agent Platformの両モデルはPreviewで、利用可能なGoogle Cloudロケーションはglobalのみだ。単一リージョンとマルチリージョンは今後対応するとされており、日本国内など特定のリージョンを明示して処理する構成は現段階で選べない。データ配置に地域要件があるシステムでは、機能比較より先に確認すべき条件となる。

同プラットフォームのモデル仕様では、構造化出力、コンテキストキャッシュ、RAG Engine、チャット補完、チューニング、グラウンディング、コード実行、Function callingなども未対応である。macOS版Geminiアプリで紹介されたファイル要約や画像生成は、背後で別のGeminiモデルを呼び出す製品機能であり、Transcribe API単体の機能ではない。

現時点で確定しているのは、85以上の言語と日本語への対応、ライブと録音の2経路、経路ごとに異なるタイムスタンプと話者識別、Agent Platformの時間上限とglobal限定という条件だ。単一リージョンへの展開時期とPreview終了時期は公表されていないため、本番採用の判断には利用環境のモデルID、リージョン、上限、話者識別の実験的扱いが今後どう更新されるかが残る。