会議の録音やスマホの音声入力を文字にしたとき、「えーっと」「あー」だらけの読みにくいテキストにがっかりした経験はないでしょうか。言い直した部分がそのまま二重に残り、結局ぜんぶ手で直すことになる。文字起こしを仕事に使ううえで、いちばん時間を取られてきたのがこの「後片付け」です。
米国時間2026年8月26日、Googleがこの問題に正面から答える新しい音声認識モデル「Gemini 3.5 Transcribe」を発表しました。話した音声をそのまま文字にするのではなく、フィラー(えー、あー)を取り除き、言い直しを反映した「清書済みのテキスト」を最初から出力するモデルです。
この記事では、何が変わるのか・いまどこで使えるのか・どうやって試すのか・議事録専用ツールとの使い分けをどうするか、を順に整理します。料金は執筆時点で公式発表に記載がないため、この記事では扱いません。結論を先に言うと、自分の話し声をメモや下書きに変える用途なら、Google AI Studioでこの新モデルを試すのが最有力です。一方、複数人の会議の議事録づくりは、まだ専用ツールの守備範囲が残ります。その理由を順に確認していきます。
Gemini 3.5 Transcribeで何が変わるのか
従来の文字起こしAIの多くは、聞こえた音をできるだけ忠実に文字へ変換します。忠実であるほど、話し言葉のクセ(フィラー・言い淀み・言い直し)までそのまま残るという矛盾がありました。Gemini 3.5 Transcribeは方向性が違います。Googleの公式発表によると、このモデルは「話した通りの文字列」ではなく「話者が言いたかった内容」をくみ取り、整形済みのテキストとして出力します(2026年8月28日時点・Google公式ブログで確認)。
公式発表で確認できる主な特徴は次の通りです。
- 「えー」「あー」のようなフィラーを自動で取り除く
- 言い直し・自己修正を反映する(言い直す前の発言は残らない)
- 85以上の言語を自動検出して文字起こしできる(日本語を含むことを公式ページで明記)
- 話者の識別は最大3人まで対応(それを超える人数は実験的な扱い)
- 確定した文字起こしが出るまでの時間が、従来モデル(Chirp 3)比で70%改善
精度についても、公式発表では確定結果の単語誤り率(WER)が2.6%、リアルタイム処理時は4.0%とされています。数字の細かい条件はベンチマークの取り方に依存するので、ここでは「読み返してすぐ使える水準を狙ったモデル」と理解しておけば十分です。
「文字にしてから直す」から「最初から清書が出る」への転換が、このモデルのいちばんの変化です。
いまどこで使えるのか(提供状況)
発表と同時に、いくつかの入口が用意されています。公式発表で確認できた提供状況は次の通りです。
| 使える場所 | 状況 |
|---|---|
| Google AI Studio(ブラウザ) | 提供中。モデルを選んで音声を渡せる |
| macOS版Geminiアプリ | 提供中。ただしまず英語から |
| Android版Gboard(音声入力) | 提供中。音声入力の裏側で動く |
| Chrome(Webページの入力欄) | 近日提供予定 |
2026年8月28日時点。Google公式ブログおよびGoogle DeepMind公式ページで確認。モデルはプレビュー段階のため、提供先は今後変わる可能性があります。
注意点が2つあります。1つ目は、macOS版Geminiアプリでの提供が「まず英語から」とされている点です。日本語で試したい場合、現時点で確実なのはGoogle AI Studio経由です(85以上の対応言語に日本語が含まれることは公式ページに明記されています)。2つ目は料金で、公式発表には料金の記載がありません。詳細は公式サイトをご確認ください。
どこから試すか|用途別の入口
使い方は「どこで文字起こしをしたいか」で3つに分かれます。
PCで新モデルの実力を確かめたい人は、Google AI Studioから始めるのが近道です。おおまかな流れは次の通りです。
- Google AI Studio(aistudio.google.com)にGoogleアカウントでログインする
- モデルの一覧からGemini 3.5 Transcribeを選ぶ
- 手元の音声を渡して、出てきたテキストを確認する
画面の構成は更新されることがあるため、細かい操作は実際の画面に従ってください。試すときのコツは、わざと「えーっと」や言い直しを入れた1〜2分の音声を録って渡してみることです。フィラーが消え、言い直した後の内容だけが残っていれば、このモデルの狙い通りに動いています。Androidユーザーなら、Gboardの音声入力からも新モデルの恩恵を受けられます。
日本語で試すならGoogle AI Studioが確実です。フィラー入りの音声をわざと渡すと実力が分かります。
議事録専用ツールは不要になるのか
ここがいちばん気になるところだと思います。答えは「用途によって分かれる」です。
まず、新モデルが得意なのは「自分ひとりの声を、整った文章に変える」仕事です。思いついたことを話してブログの下書きにする、移動中に企画メモを吹き込む、取材前の自分用メモを整える。こうした用途では、清書までモデルがやってくれる分、既存の文字起こしより一歩先を行っています。
一方、複数人の会議の議事録づくりには、まだ差が残ります。理由は2つあります。1つ目は話者識別の上限で、公式発表では最大3人まで、それを超える人数は実験的な扱いとされています。参加者が4人以上いる定例会議では、誰の発言かを取り違えるリスクを織り込む必要があります。2つ目は運用機能です。議事録の仕事は文字起こしで終わりではなく、録音の管理・要約・チームへの共有までがワンセットです。この部分は、録音から共有までを一気通貫で担う専用ツールやAIボイスレコーダーが引き続き受け持ちます。
つまり判定基準はこうなります。ひとりの声をテキストにするならGemini 3.5 Transcribeを試す価値が大きく、複数人の会議を記録・共有するなら専用ツールが現役です。専用ツールの選び方(買い切りとサブスクの違い・無料枠の比較)は、当サイトの比較記事で詳しく扱っています。
ひとりの声は新モデル、複数人の会議は専用ツール。この線引きで考えると迷いません。
結論
Gemini 3.5 Transcribeは、文字起こしを「後で直す作業」から「最初から使える清書」に変えようとするモデルです。自分の話し声をメモや下書きに変える用途なら、Google AI Studioで今すぐ試すのが最有力です。日本語対応は公式ページに明記されており、フィラー除去と言い直しの反映は既存の文字起こしにない強みです(2026年8月28日時点・Google公式発表で確認)。一方、話者識別が最大3人までという現状では、複数人の会議の議事録は専用ツールの守備範囲が残ります。次にやることは1つ、わざと言い淀みを入れた短い音声をAI Studioに渡して、清書の実力を自分の目で確かめることです。
あわせて読みたい
※本記事の情報は執筆時点のものです。最新情報は公式サイトをご確認ください。
