Googleは2026年8月26日、音声認識モデル「Gemini 3.5 Transcribe」を発表しました。このモデルはGemini APIを通じて、リアルタイム向けと録音音声向けの2系統が提供されます。85を超える言語を自動検出し、フィラーの除去や言い直しの解決、自動整形などの機能を有しています。前世代のChirp 3と比較して、最終的な文字起こしが完了するまでの時間が70%改善されたとしています。日本語については、Google AI StudioやPixel 11シリーズ向けGboardの音声入力機能「Rambler」に搭載される予定です。なお、Artificial Analysisによるベンチマークでは、ストリーミングで平均単語誤り率4.0%、非ストリーミングで2.6%を記録しています。
出典: Gemini 3.5 Transcribe｜4.0%は日本語を測った数字ではない - innovaTopia（Google News: Gemini）