Google、音声認識特化「Gemini 3.5 Transcribe」を正式提供　85言語超に対応

何が発表されたか

• Gemini の音声理解能力をベースにした Speech-to-Text 専用モデル2種が一般提供開始
• gemini-3.5-transcribe：高精度・低レイテンシの非ストリーミング文字起こし。発話単位の言語自動判定で85言語以上をカバー
• gemini-3.5-transcribe-live：Live API 経由の WebSocket 双方向ストリーミング。暫定結果と確定結果をイベントで受け取れる
• 話者分離（ダイアライゼーション）、単語単位のタイムスタンプに対応
• 固有名詞や専門用語を最大1000語まで登録できるカスタム語彙機能
• ライブ側は Smart transcription モードと複数の VAD（音声区間検出）戦略を選択可能

開発者への影響

汎用の Gemini モデルに音声を投げる構成と比べ、専用モデルは単価・レイテンシ・出力の安定性で扱いやすい。Web制作の現場だと、クライアントとの打ち合わせ音声の議事録化、動画コンテンツの字幕生成、インタビュー記事の書き起こしといった「地味だが時間を食う工程」が対象になる。

特に効くのがカスタム語彙。日本語案件では社名・商品名・業界用語で崩れることが多く、1000語まで登録できるなら実務で使える精度に届く可能性が高い。単語単位タイムスタンプがあるので、WebVTT / SRT の生成もモデル出力から直接組める。

ライブ版は問い合わせフォームの音声入力やリアルタイム字幕など、フロント側の機能実装に直結する。