www.techno-edge.net
3日前
考えながら話しても清書レベルの高性能AI文字起こしGemini 3.5 Transcribe 言い直しも反映、GboardやMac版Geminiアプリに提供
Googleが音声テキスト変換モデル「Gemini 3.5 Transcribe」を発表。話し言葉のフィラー除去や言い直しの反映、文脈を読んだ専門用語の認識、箇条書き等のフォーマット推定により清書レベルの文字起こしを実現する。Gboardの「AI音声入力」やmacOS版Geminiアプリの「Speak to Window」で既に利用可能なほか、Google AI StudioやAntigravityなど開発者向けにも公開プレビューを提供。認識精度はArtificial AnalysisのベンチマークでWER非ストリーミング2.6%（自社比で従来モデルより向上、他社上位モデルにはわずかに劣る）。APIは録音済み用・ストリーミング用の2系統があり、価格は音声1分あたり約0.005〜0.009ドルから。
Googleが音声テキスト変換モデル「Gemini 3.5 Transcribe」を発表。話し言葉のフィラー除去や言い直しの反映、文脈を読んだ専門用語の認識、箇条書き等のフォーマット推定により清書レベルの文字起こしを実現する。Gboardの「AI音声入力」やmacOS版Geminiアプリの「Speak to Window」で既に利用可能なほか、Google AI StudioやAntigravityなど開発者向けにも公開プレビューを提供。認識精度はArtificial AnalysisのベンチマークでWER非ストリーミング2.6%（自社比で従来モデルより向上、他社上位モデルにはわずかに劣る）。APIは録音済み用・ストリーミング用の2系統があり、価格は音声1分あたり約0.005〜0.009ドルから。