Gemini 3.5 Transcribe、ストリーミングとファイル用エンドポイントを分離——非ストリーミングのWERは2.6%に低下

Googleは8月26日、Gemini 3.5 Transcribeのプレビュー版を発表し、録音ファイルの処理とリアルタイム音声認識を`gemini-3.5-transcribe`と`gemini-3.5-transcribe-live`の2つのエンドポイントに分離した。どちらも85以上の言語、会話途中での言語切り替え、スマートフォーマット、最大1,000語の認識バイアスに対応する。モデルカードによると、両モデルはGemini 3 Proを基盤とし、入力と出力の上限はそれぞれ96K tokenと32K tokenである。

非ストリーミングエンドポイントは最長1時間の音声を処理でき、単語単位のタイムスタンプと最大8人の話者分離を提供する。これらの機能を有効にすると、1回あたりの音声上限は30分に短縮される。また、3人以上の話者への割り当ては、引き続き実験的機能とされている。Live版はWebSocketによる双方向ストリーミングを採用し、1セッションは10分に制限される。タイムスタンプや話者分離にも対応しないため、会議アーカイブ用パイプラインをそのまま置き換えることはできない。

Artificial Analysisのリアルタイムランキングでは、Live版と非ストリーミング版の平均単語誤り率（WER）はそれぞれ4.0%と2.6%だった。後者は発表時点で首位ではなく、一部の専用音声認識モデルに依然として後れを取っている。一方、Googleが公表した多言語FLEURSベンチマークでは、それぞれ5.50%と5.04%であり、言語の組み合わせや評価手法によって結果が大きく変わることを示している。有料APIの推定コストは1分あたり約0.009米ドルと0.005米ドルだが、料金には音声、出力、非公開の処理tokenが含まれるため、実際の請求額は出力の長さによって変動する。

エンジニアリングチームは、とりわけ「逐語記録」とスマート文字起こしを区別する必要がある。後者はフィラーを削除し、自己訂正を整理して書式を再構成するため読みやすくなる一方、法律、医療、監査記録で必要となる原発言を変えてしまう可能性がある。本番導入前には、自社環境のアクセント、騒音、専門用語、話者の発話が重なるデータを用いて再評価し、総合WERだけに依存すべきではない。