Googleが音声文字起こしモデルGemini 3.5 Transcribeを公開

モデルは2種類のAPIで提供されます。一つは意図解釈やカスタム語彙に強いモデル。もう一つはストリーミング文字起こしと言語切り替えに対応したモデルです。

性能は大幅に向上しました。前世代のChirp 3と比較して、最終的な文字起こしまでの時間は70%改善したとしています。これはArtificial Analysisによる測定結果です。

多言語性能も強化されました。FLEURSベンチマークにおいて、ストリーミングモードで5.50%、非ストリーミングで5.04%の単語誤り率 (WER) を達成したといいます。

このモデルは既にAndroidのRamblerやmacOS向けGeminiアプリなどで活用されています。また、LangChainやVercelなどのプラットフォームを通じて、高性能な音声インターフェースの構築が可能です [HN Search (backfill)]。