Google最強の音声書き起こしモデル登場：精度はトップ5入り、ただしElevenLabsにはまだ及ばず

動察 Beating AI 速報、Google が Gemini 3.5 Transcribe を発表。これは現在最も正確な Google 音声書き起こしモデルであり、Google が専用書き起こしモデルに初めて Smart モードを搭載したもの。モデルはリアルタイム版と録音書き起こし版の2種類があり、現在 Gemini API で公開ベータテストが開始されている。Artificial Analysis の評価では、非ストリーミング WER（単語誤り率、低いほど良い）は 2.6%、リアルタイム版は 4.0%。最終的な書き起こし遅延は前世代の Chirp 3 と比較して 70% 短縮された。

Smart モードは、音声を単に一字一句テキストに変換するだけではない。例えば「火曜日に会議、いや、水曜日」と言えば、「水曜日」だけが直接残る。「えーと」「あー」などの口癖も自動的に削除され、口語を段落、リスト、日付、数字に整理することも可能。会議の議事録で原文が必要な場合は、従来の逐語書き起こしモードを引き続き使用できる。

このモデルは 85 以上の言語に対応し、途中での言語切り替えも可能で、カスタム専門用語も追加できる。録音書き起こしは約 1 分あたり 0.005 ドル、つまり 1000 分あたり 5 ドル。リアルタイム版は約 1 分あたり 0.009 ドル。独立したランキングでは、OpenAI GPT Transcribe の 3.3% よりも正確だが、ElevenLabs Scribe v2 にはまだ及ばない。後者の WER は 2.2% で、1000 分あたり約 3.67 ドル。

このモデルはすでに Android の Rambler と macOS 版 Gemini に使用されており、今後 Chrome にも導入される予定。その際には、ウェブページの入力ボックスで直接話して文字入力ができるようになる。