何が起きたか
Googleが音声認識モデル「Gemini 3.5 Transcribe」を公開。リアルタイム文字起こしに対応し、言い間違いを自動修正するほか、「えーっと」などのつなぎ言葉を除去する。
なぜ重要か
Googleによると、ストリーミング時の語彙誤り率は4.0％、録音音声では2.6％。前モデル「Chirp 3」と比べレイテンシーが70％低い。また「ファンクションコーリング」で画像生成やウェブ検索などのタスクを他のGeminiモデルに引き渡せる。
注目点
Google AI StudioとGemini Enterprise Agent Platformで利用可能。Android版GboardとmacOS版Geminiアプリにはすでに組み込まれており、Chromeへの対応も間もなく予定されている。
こういう要約が、毎朝あなたのメールに届きます。
今回の発表は、Googleがこれまで手がけてきたChirp 3による音声認識技術の延線上にある。Gemini 3.5 Transcribeはレイテンシーを70％削減し、直接的な改善を実現した。すでにAndroid向けGboardやmacOS向けGeminiアプリに搭載されており、幅広いサービスへの統合を見据えた位置づけだ。85以上の言語を自動認識し、テキストを自動整形する機能は、文字起こしをよりシームレスにすることを狙っている。
さらに「ファンクションコーリング」によって、画像生成やウェブ検索といった作業を他のGeminiモデルに引き継げる設計だ。これはこのツールが単なる音声テキスト変換にとどまらず、AIによる一連の処理の入り口として機能することを示している。Chrome対応も予定されており、利用可能なプラットフォームは今後さらに広がる見通しだ。
業界と使っているAIツールを選ぶと、仕事に関係するニュースが毎朝届きます。
登録無料・Googleアカウントなら30秒・いつでも解除できますAITodayについて →
この記事についてわからないことをAIに質問できます。AIはこの記事・AIToday の過去記事・Wikipedia を読み、出典を付けて答えます。Q&Aはこのページに公開され、他の読者も読めます。
NVIDIAは2026年9月21日、「AIセキュリティは工学の問題――エージェントスタックの全層で解決する方法」と題したブログ記事を公開し、判断を誤ったエージェントでも行動を止められる理由を説明した
検証では、Haiku 5.5はmedium設定で定型文書ならSonnet 5.5に近いスコアを約1/17のコストで出したが、英語メール課題では6.3点まで落ちた
Metaは8160億パラメーターのオープンウェイトモデルMuse Spark Openを公開
PrismMLは2026年10月15日、Ternary Bonsai 2の2B・4B・9Bを公開した
EC自動化工房がZenn記事で商品マスタ生成前クレンジング手順を示した
Claude Codeへの一言の依頼3回と完了条件付きの依頼3回では機能的に同一のMyntPackコードが生成されたが、後者では各回テストが3〜5本追加され、3回とも最後にlintを1回実行した
