Google: Gemini 3.5 Transcribe

Google Gemini 3.5 Transcribeは、完成済みの事前録音音声ファイルを、発話の文章へ変換する同期モデルです。Geminiの音声理解能力を基にしていますが、文字起こし専用の入出力仕様を持ちます。別のGemini 3.5 Transcribe Live版は音声ストリームを受信し、結果を逐次返します。この録音音声用モデルは完成した文字起こしを生成し、選択した設定に応じて、任意で単語のタイミングや話者の割り当てを付けられます。

ひどいクリッピングのない明瞭な録音を準備し、可能であれば話者の声を意味のある形で区別できるようにします。開発元の同期処理の例では、MIMEタイプを指定し、WAV音声をファイルのバイト列または保存された音声リソースとして渡しています。確認用に元の音声を保管してください。必要な成果物は、確認済みのインタビューの文字起こし、字幕の時間合わせ用レコード、読みやすい口述文などです。文言を変える機能やメタデータを加える機能を組み合わせる前に、必要な成果物を決めます。

Googleは、セッション内の言語混在を含め、85を超える言語の自動検出を公開しています。言語ごとに対応水準が異なり、分かっている言語のヒントを与えると認識が改善する場合があります。カスタム語彙は、録音に現れそうな固有名、ブランド、専門用語を与えるものです。開発元は最大1,000語を許容し、おおむね100語までの絞った一覧が通常は最も有効だと述べています。珍しい用語は録音に関係するものに限定し、語彙のヒントでその語が実際に発話されたと見なさず、音声と照合してください。

デフォルトのモードはVERBATIMです。フィラー、繰り返し、言いかけ、口頭の訂正を保持し、発話した文言の記録を残します。単語単位のタイムスタンプや話者ダイアライゼーションが必要な場合に使うモードです。たとえばインタビューでは、元の発言順とタイミングを保持し、関連する区間を聞いて重要な名前や数量を修正します。後で要約や整った記事を作る際にも、話者の言葉を無断で置き換えずに、この確認済みの記録を使えます。

SMARTモードは、読みやすい口述文に向けて設計されています。言いよどみを除き、発話中の自己訂正を解決し、話された内容を段落や一覧に構成し、必要に応じて日付と数値を正規化します。口述した作業一覧を、口頭のつなぎ言葉が連続する文章ではなく、読みやすい一覧にできます。この処理は文字起こしの形を変えます。Googleは、SMARTと単語タイムスタンプ、ダイアライゼーションは非互換だと明記しています。そのため、時間付き・話者付きの記録として使おうとせず、読みやすい文章が必要なときに選択してください。

単語タイミングを有効にすると、応答に認識した単語と開始・終了オフセットが含まれます。録音内で修正箇所を探したり、字幕を準備したりするために使えます。開発元は、単語単位のタイムスタンプを有効にすると精度とのトレードオフがあると説明しています。特に速い発話、重なり、珍しい用語の周辺では、文字と時間の対応の両方を確認してください。有用な時間付き文字起こしでは、流暢な文章だけで時間合わせが正しいと見なさず、単語の記録と元の音声を一緒に保持します。

話者ダイアライゼーションは、録音内の声を識別してラベルを付け、公開仕様では最大8人の話者を扱います。3人以上の話者への割り当ては、開発元が実験的としています。ラベルは推定された話者のグループ分けとして扱い、切り替わりを録音と照合してください。話者ラベルは、人物の身元や役割を独立に証明するものではありません。名前が必要な場合は、認識された言葉から人物像を作るのではなく、分かっている録音情報にラベルを対応付けます。

開発元の機能表には、録音音声のウィンドウが15分と記載されており、タイムスタンプやダイアライゼーションなどの機能を有効にした場合、ファイル処理はその長さに制限されます。より長い素材は、順序と元の時間位置を保ちながら適切な区間に分けてください。モデルの文字起こし、時間付き単語、話者ラベル付き部分は異なる結果表現であり、課題に必要な表現を保持します。これらの音声専用の上限を、一般的なGeminiマルチモーダルモデルのコンテキストや時間の数値に置き換えてはいけません。Googleは、SMART整形、単語タイムスタンプ、話者ダイアライゼーションを実験的機能として挙げています。

出力仕様は文字起こし専用です。SMART整形は読みやすい文章を作りますが、一般的なJSON Schema応答の契約、ツール呼び出し能力、指示に従うアシスタントの手順を追加するものではありません。最終成果物では、重要な文言、数値、否定表現を音声と照合し、未解決の区間を修正用に残し、選択したモードを結果とともに保存してください。これにより、その成果物が元の発話を記録したものか、それを基に読みやすく編集した版かが明確になります。