Google、音声入力を磨くGemini 3.5 Transcribe発表

Googleの新モデルGemini 3.5 Transcribeは、音声入力技術の進歩を示し、前モデルChirp 3と比べて処理速度の大幅な向上と、精度の modest な改善を約束する。このモデルは、言い間違いを除去し、その場で訂正しながら音声を処理することで、正確な文字起こしではなく、音声から直接、整理されたテキストを生成するツールとして位置づけられる。この機能は日常的な利用には便利だが、AIがユーザーの発言を技術的に変更するため、正確な言い回しが重要な場面では忠実性に疑問が生じる。

Pixel 11のGboardの「ランブラー」機能への統合と、今後のGoogleエコシステム全体での展開は、広範なロールアウトを示唆する。85言語対応と、録音済み音声で最大3人までの話者識別により、多様な音声入力シナリオを処理できる。意図を解釈するAI全般に言えることだが、ユーザーは、高速で整った出力の利点と、専門的・法的な場面での改変のリスクを天秤にかける必要がある。