Gemini 3.5 Transcribeが話者分離対応

これまでは音声ファイルを汎用Geminiモデルに渡せば文字起こしはできても、どの発言者がどの行を話したかを確実に示せなかった。文書の目的が説明責任にあるなら致命的な問題だ。Gemini 3.5 Transcribeはこのギャップを埋めるために専用設計され、声の違いを利用して話者ラベルを付け、単語ごとに開始・終了時刻を返す。最大1,000件の専門用語や固有名詞を事前登録できるため、製品名や人名の誤認識を減らせるはずだ。数字や単位も自動で整形し、話した「三件」を「3件」に変換する。

展開はプラットフォームによって異なった。Gemini APIでは2026年8月26日に一般提供され、Vertex AIでは2026年8月にプレビューとして登場し、2026年10月にGAとなった。出力モードは2つある。発話をそのまま文字起こしするVERBATIMは話者分離と単語タイムスタンプを唯一サポートするモードで、SMARTはためらいや言い直しを除去して読みやすくするが、これらの機能とは併用できない。

導入を検討する企業にとって実用的な課題は能力そのものではなくワークフローだ。最も一般的なニーズである「誰が話したかを知りつつテキストも整える」は現在1回のAPI呼び出しでは満たせないため、現実的な構成は2段階のパイプラインとなる。まず話者をラベル付けし、次に別のテキストモデルでテキストを整える。この追加工程が見合うかは、その会議で精度がどれだけ重要かによる。特に3人以上の話者分離は依然として実験的とされているからだ。