Gemini 3.5 Transcribeとは｜精度と料金【2026年8月】

2026年8月26日、Googleは音声認識モデル「Gemini 3.5 Transcribe」を公式ブログで発表した。会議の議事録化やコールセンターの通話ログ化にAIを使う企業が増えるなか、文字起こしモデルの精度と料金は現場の意思決定に直結するテーマだ。

Uravationは法人向けにAI研修・導入支援を手掛けており、議事録自動化やコールセンターAI活用の相談を受ける機会が多い。今回の発表内容は公式ブログとGoogle AI Studioの価格表を一次情報として確認し、二次報道で見かける数値（Live版1時間あたり0.54ドル・録音版1時間あたり0.30ドル相当）についても、公式の分単位単価から実際に計算し直して整合性を確認した。

本記事では、公式発表の事実関係を整理したうえで、日本企業が議事録・コールセンター用途で検討する際に確認すべきポイント、既存ツール（Whisper系・Notta・Chirp 3）との使い分け、API実装の考え方までをまとめる。未確認の情報は「確認できていない」と明記し、憶測では書かない。

2026年8月時点のスナップショットとして押さえておきたいのは、Gemini 3.5 Transcribeが単体の新モデルというより「pre-recorded用」と「Live用」の2系統に分かれて提供され、料金体系もそれぞれ別建てになっている点だ。以下、順を追って見ていく。

Gemini 3.5 Transcribeとは｜2026年8月26日発表の音声文字起こしモデル

Gemini 3.5 Transcribeは、Googleが2026年8月26日に公式ブログ「Intelligent transcription with Gemini 3.5 Transcribe」で発表した音声文字起こし特化モデルである。前世代の音声認識モデル「Chirp 3」の後継という位置づけで、自動言語検出・話者識別・タイムスタンプ付与・カスタム語彙認識・フィラー除去や言い直し補正といった「スマート文字起こし」機能を備える。

提供形態は大きく2つに分かれる。

• gemini-3.5-transcribe：録音済み音声ファイルの文字起こし用（pre-recorded）。標準のリクエストで最大1時間の音声を処理できるが、話者識別やワードレベルのタイムスタンプなど一部機能を有効にすると処理可能な音声長は30分までに制限される（公式ドキュメント記載）。
• gemini-3.5-transcribe-live：リアルタイムのストリーミング文字起こし用。Live APIを通じて会議中や通話中に逐次テキスト化する用途に対応する。

提供チャネルは、Gemini API（Google AI Studio）を中心に、Antigravity、Android版Gboard「Rambler」、macOS版Geminiアプリ、Chrome（近日提供予定）、そしてGemini Enterprise Agent Platform（プレビュー）が公式ブログに列挙されている。企業向けにはEnterprise Agent Platform経由での組み込みが軸になる見込みだ。

精度はどのくらいか｜WER・FLEURSベンチマークの数値

公式ブログが示す精度指標（Artificial Analysisによる測定）は次のとおり。

WERは数値が低いほど誤り（誤認識・脱落・挿入）が少ないことを意味する。FLEURSはGoogleが公開している多言語音声ベンチマークで、日本語を含む幅広い言語・地域の音声データが含まれるが、公式ブログの記載は「主要言語・地域の合算値」としての5.50%/5.04%であり、日本語単体のWERは2026年8月時点で公式に個別公表されていない。国内メディアの解説記事でも同様に合算値が引用されているケースが目立ち、「日本語だけを取り出した精度」を断定的に語る記事は根拠が弱い点に注意したい。

また公式ブログは、前モデルChirp 3と比較して「最終的な文字起こし結果が確定するまでの時間（time-to-final）が70%改善した」とも述べている。これはストリーミング用途、たとえばリアルタイム字幕やコールセンターのオペレーター支援で体感差が出やすい改善点だ。

できること｜話者識別・カスタム語彙・タイムスタンプ・スマート文字起こし

公式ブログが挙げる主要機能は以下のとおり。

• 話者識別（Speaker Diarization）：公式ブログでは「3名までの正確な属性識別に対応し、3名を超える場合は実験的な扱い」と明記されている。一方でGoogle Cloud側のドキュメントには「最大8名の話者分離」という記載も見られ、プラットフォームによって表現に差がある。社内会議（3〜4名以上が発言する場）で使う場合は、実際の参加人数で事前に精度検証することを勧める。
• カスタム語彙（Custom Vocabulary）：社名・製品名・専門用語などを事前登録できる。登録上限は1,000語だが、公式ドキュメントは「精度を優先するなら100語以下を推奨」としている。社内の固有名詞をすべて詰め込むのではなく、誤認識しやすい重要語に絞るのが実務上のコツだ。
• ワードレベルタイムスタンプ：単語単位で発話タイミングを付与できる。議事録の該当箇所へジャンプしたり、動画字幕と同期させたりする用途に向く。
• スマート文字起こし（Smart Transcription）：フィラー（「えー」「あの」等）の除去、言い直しの補正、自動整形を行うモード。ただし公式情報によれば、スマートモードはタイムスタンプ・話者識別モードとは互換性がない設定であるとされ、両立させたい場合はモード選択に注意が必要になる。
• Function calling：文字起こし結果をトリガーに外部関数を呼び出す機能。議事録から自動でタスク登録する、といったエージェント連携を想定した機能とみられる。
• 自動言語検出・85以上の言語対応：発話内で言語が切り替わる「コードスイッチング」にも対応するとされる。

料金体系｜非ストリーミングとLiveの違いを分単位で比較

Google AI Developersの価格ページに記載されている料金は以下のとおり（2026年8月時点・Paid Tier）。

公式ページの注記によると、この分単位換算は「入力25音声トークン/秒・出力175テキストトークン/分」という想定に基づく試算で、実効ブレンドレートは非ストリーミングで約0.005ドル/分としている。これを1時間分に単純換算すると、非ストリーミング版は約0.30ドル/時間、ストリーミング（Live）版は入出力の目安単価を合算すると約0.009ドル/分＝約0.54ドル/時間となる。この「1時間あたり0.30ドル／0.54ドル」という数字は公式ページに直接そう書かれているわけではなく、公式の分単位目安を基にUravationが計算した参考値である点は明記しておく。無料枠（Free Tier）も用意されており、開発・検証段階ではコストをかけずに試せる。

実際のコストは音声の長さ・トークン化のされ方・利用する機能（話者識別やタイムスタンプの有無）によって変動するため、本番導入前には自社の代表的な音声サンプルで試算することが欠かせない。

提供チャネルと導入経路｜API・AI Studio・Gboard・macOS・Chrome・Enterprise

公式ブログが挙げている提供チャネルは次のとおり。

• Gemini API／Google AI Studio（開発者向け・プレビュー公開）
• Antigravity（提供予定）
• Android版Gboard「Rambler」
• macOS版Geminiアプリ
• Chrome（近日提供予定）
• Gemini Enterprise Agent Platform（プレビュー）

法人での議事録化・コールセンター連携を検討する場合、現時点で現実的な導入経路はGemini API経由でのカスタム開発、またはGemini Enterprise Agent Platformでの組み込みになる。Chrome拡張やGboard連携は個人利用寄りの機能提供であり、業務システムへの本格組み込みとは切り分けて考えたほうがよい。

API実装の考え方｜Pythonでの音声アップロードから文字起こしまで

公式ドキュメント「Audio transcription」（ai.google.dev/gemini-api/docs/transcribe）では、Google公式SDK（google-genai）を使い、音声ファイルをアップロードしてからモデルに渡す流れが説明されている。以下は公式ドキュメントで一般的に案内されているアップロード〜生成呼び出しの骨子を示したものであり、話者識別・カスタム語彙・タイムスタンプそれぞれの詳細なパラメータ名・書式は2026年8月時点で本記事側での逐一の動作確認ができていないため、実装時は必ず公式ドキュメントの最新記載を参照してほしい。

from google import genai

client = genai.Client()

# 音声ファイルをアップロード
audio_file = client.files.upload(file="meeting.mp3")

# gemini-3.5-transcribe モデルで文字起こしを実行
response = client.models.generate_content(
    model="gemini-3.5-transcribe",
    contents=[audio_file, "この音声を文字起こししてください"],
)

print(response.text)

話者識別・カスタム語彙リスト・タイムスタンプ粒度などのオプションは、公式ブログではtranscription_config系の設定として存在が案内されているが、正確なキー名・値の書式はモデルのプレビュー段階で変更される可能性がある。導入設計の際は、必ず公式ドキュメントのAudio transcriptionページで最新のサンプルコードを確認してから実装することを強く推奨する。

Whisper系・Notta・Qwen3-TTSとの使い分け｜日本企業の議事録・コールセンター視点

文字起こしツールを選ぶときは「精度」だけでなく「運用のしやすさ」「料金体系」「機密情報の扱い」で比較するのが実務的だ。参考として、近い用途のツール・モデルとの位置づけを整理する。

• Notta等の国産SaaS型文字起こしツール：議事録作成に特化したUIとチーム共有機能を備え、非エンジニアでもすぐ使える点が強み。API開発の手間をかけずに導入したい部署にはこちらが向く。詳細は当メディアのNotta完全ガイド｜料金・使い方・精度・法人導入の判断を参照。
• Whisper系のオープンソース音声認識：自前でホスティングしてコストを抑えたい、機密性の高い音声を外部APIに送りたくない、という要件がある場合の選択肢。当メディアの社内会議のAI文字起こし活用ガイド｜精度・機密・議事録化で機密面の論点を整理している。
• Gemini 3.5 Transcribe：Googleのエコシステム（Workspace・Gemini Enterprise）に既に投資している企業や、話者識別・カスタム語彙・タイムスタンプ・Function callingまでを1つのAPIで完結させたい開発チーム向き。リアルタイム性を求めるならLive版が候補になる。
• Qwen3-TTS等の音声合成モデル：Gemini 3.5 Transcribeは音声→テキストの「文字起こし」であり、テキスト→音声の「読み上げ」とは逆方向の処理である。両者を混同しないよう注意したい。音声合成側の選定は当メディアのQwen3-TTSとは｜使い方・日本語対応・商用利用を参照。

なお、Gemini本体のモデル選定について迷う場合は、テキスト生成系の最新動向を整理したGemini 3.5 Proはいつ？料金とDeep ThinkとGemini 3.6/3.7 Flashとは｜料金・世代比較も合わせて確認しておくと、Google系AIのモデル構成全体を把握しやすい。

【要注意】導入前に確認すべき失敗パターン

• ❌ 「WER2.6%」という数字だけを見て日本語でも同水準の精度が出ると判断する
  ⭕ 公式に日本語単体のWERは2026年8月時点で確認できていない。自社の実音声サンプル（専門用語・訛り・複数人発話を含む）で必ず事前検証する。
• ❌ 話者識別を4名以上の会議でそのまま本番投入する
  ⭕ 公式ブログは3名までを「正確」、それ以上を「実験的」としている。4名以上の会議体では誤帰属のリスクを織り込んだ運用フロー（人手での最終チェック等）を用意する。
• ❌ スマート文字起こしモードとタイムスタンプ・話者識別を同時に有効化しようとして動かない
  ⭕ 用途（読みやすい議事録か、正確なタイムスタンプ付き逐語録か）を先に決め、モードを使い分ける。
• ❌ ストリーミング（Live）と非ストリーミングの料金を混同してコスト試算する
  ⭕ 分単位の実効レートはLive版のほうが高い（非ストリーミング約0.005ドル/分に対しLiveは約0.009ドル/分）。リアルタイム性が本当に必要な業務かを見極めてから選ぶ。

よくある質問（FAQ）

Gemini 3.5 Transcribeは日本語に対応していますか？

公式ブログでは「85以上の言語を自動検出」と説明されており、日本語も対応言語に含まれるとみられる。ただし日本語単体の精度（WER）は2026年8月時点で公式に個別公表されていない。導入前に自社の音声サンプルで検証することを推奨する。

Chirp 3から乗り換える価値はありますか？

公式発表によれば、Chirp 3比で最終文字起こしまでの時間が70%改善したとされる。リアルタイム性を重視する用途（コールセンターのオペレーター支援、ライブ字幕等）では乗り換えの検討価値がある。バッチ処理中心の用途では、精度・料金・既存システムとの連携コストを含めて比較したほうがよい。

無料で試せますか？

Google AI Developersの価格ページにはFree Tier（入力・出力とも無料）の記載がある。開発・検証段階では無料枠の範囲で試作することができる。

コールセンターの通話録音にそのまま使えますか？

技術的にはgemini-3.5-transcribe（録音済み音声向け）で処理可能とみられるが、通話録音には個人情報・機密情報が含まれるため、社内のデータガバナンス方針（外部API送信の可否、保存期間、アクセス権限）を先に整理してから導入判断することを勧める。

まとめ｜まずは自社の音声サンプルで料金と精度を試算する

Gemini 3.5 Transcribeは、話者識別・カスタム語彙・タイムスタンプ・Function callingまでを1つのAPIでカバーする文字起こしモデルとして、2026年8月26日に公開された。精度指標（WER 2.6%/4.0%）や料金（非ストリーミング約0.005ドル/分、Live約0.009ドル/分）は公式に公表されているが、日本語単体の精度や4名以上での話者識別精度は未確認の部分が残る。自社の会議録・通話録音の代表サンプルで、精度・料金・データガバナンスの3点を実際に試算してから本番導入を判断することが、失敗しない進め方だ。