【2026年9月最新】Gemini 3.5 Transcribeとは？文字起こしの精度・料金・使い方・企業利用の注意点

2026年9月1日 16:53

会議の録音を文字にしたものの、「えー」「あの」が大量に残り、言い直した箇所もそのまま。結局、人が最初から読み直して整えている。文字起こしAIを使ったことがある方なら、一度は経験があるのではないでしょうか。

Googleが2026年8月26日に発表したGemini 3.5 Transcribeは、音声をそのまま文字へ変えるだけでなく、フィラーや言い直しを整理し、読みやすい文章へ整えられる音声認識モデルです。録音済み音声に使うモデルと、会話中に文字を返すリアルタイム版が用意されています。

便利な一方で、議事録に使うなら知っておきたい制約もあります。きれいな文章を作るSmartモードでは、話者の区別や単語単位の時刻を同時に出せません。無料枠と有料枠では、入力データの扱いも異なります。

この記事では、音声AIに詳しくない方でも判断できるよう、できること、使い分け、料金、企業利用の注意点を順番に整理します。

この記事の要点

✅ Gemini 3.5 Transcribeは、85以上の言語に対応し、専門用語や言い直しを踏まえて音声を文字にできる
✅ 読みやすい文章を作るSmartモードと、発言をそのまま残す逐語モードは目的で使い分ける
✅ 企業利用では精度だけでなく、無料・有料枠のデータ利用、録音への同意、保存と削除のルールを確認する

Gemini 3.5 Transcribeとは

Gemini 3.5 Transcribeは、Googleの音声理解技術を基にした音声から文字への変換モデルです。英語ではSpeech-to-Textと呼ばれます。

これまでの文字起こしは、聞こえた音をできるだけ忠実に文字へ置き換えるものが中心でした。Gemini 3.5 Transcribeは、話し手が途中で言い直した内容を反映したり、数字や日付を読みやすく整えたり、専門用語をあらかじめ教えたりできます。

たとえば、会議で次のように話したとします。

えー、次回は火曜日、いや、水曜日の午後2時からにしましょう。

発言をそのまま残す設定なら、言い直しを含めて記録します。Smartモードなら、意図を読み取って次のような文章へ整えます。

次回は水曜日の午後2時からにしましょう。

この違いが、従来の文字起こしとの大きな差です。ただし、文章を整えるほど元の発言から離れる可能性もあります。用途に応じた設定が欠かせません。

Googleの発表によると、2026年9月1日時点ではパブリックプレビューです。正式提供前の段階なので、機能や制限が今後変わる可能性があります。Google公式発表

録音済み音声とリアルタイム版の2種類がある

Gemini 3.5 Transcribeには、用途の異なる2つのモデルがあります。初心者の方は、まず「録音ファイルを後から処理するか」「話している途中に文字が必要か」で選べば十分です。

録音済み音声を処理する通常版は、1回につき最長1時間です。話者の区別または単語単位の時刻を使う場合は、最長30分になります。

リアルタイム版は、1セッション最長10分です。話者の区別と単語単位の時刻には対応していません。長い会議を丸ごと記録する用途より、音声入力やライブ字幕、対話型サービスに向いています。Gemini 3.5 Transcribe公式モデル情報

従来の文字起こしと違う6つの機能

85以上の言語を自動で見分ける

日本語を含む85以上の言語に対応しています。言語を指定しなくても自動判定でき、会話の途中で日本語と英語が切り替わる場面にも対応します。

海外拠点との会議や、英語の製品名が頻繁に出る商談では使いやすい機能です。ただし、対応していることと、どの環境でも同じ精度が出ることは別です。実際に使うマイク、会議室、話し方で試す必要があります。

専門用語や固有名詞を教えられる

custom vocabularyという機能で、最大1,000件の専門用語、略語、製品名、人名などを登録できます。Googleは、まず100語程度までで試すと良い結果が得られやすいと案内しています。

たとえば、社名、商品名、業界用語、アルファベットの略語を事前に渡しておけば、一般的な単語へ置き換えられる誤りを減らせます。

何でも登録すればよいわけではありません。部署や会議ごとに、誤認識されると困る言葉だけを選ぶほうが管理しやすくなります。

フィラーや言い直しを整理できる

Smart transcriptionを使うと、「えー」「あの」といったフィラー、同じ言葉の繰り返し、途中の言い直しを整理できます。句読点や段落も補われるため、会議後に読み返しやすい文章になります。

音声入力でメールや報告書の下書きを作る場合にも便利です。思いついた順に話しても、日付、番号、箇条書きなどを読みやすく整えてくれます。

誰が話したかを区別できる

録音済み音声では、複数の話者を区別して発言を割り当てられます。公式ドキュメントでは最大8人に対応していますが、3人以上の話者識別は実験的な扱いです。

大人数の会議では、席の距離、声の重なり、マイクの数によって精度が落ちます。発言者名を自動で確定するのではなく、話者1、話者2といった結果を人が確認する運用が現実的です。

単語ごとの開始時刻と終了時刻を出せる

録音済み音声では、単語単位のタイムスタンプを出力できます。インタビュー動画の字幕作成や、コールセンターの通話確認で、元音声の該当箇所へ戻りやすくなります。

ただし、Googleは単語単位の時刻を有効にすると文字起こし精度が下がる可能性を明記しています。必要な案件だけで使うほうがよいでしょう。

日本語の数字や記号を読みやすく整える

日付、金額、番号などを、文章として読みやすい形式へ変換します。郵便番号、注文番号、製品コードのような英数字も認識対象です。

ここは人による確認を外せません。「15」と「50」のように、聞き間違えると意味が変わる数字は、元音声へ戻れる形で残します。

Smartモードと逐語モードは、どちらがよいのか

Gemini 3.5 Transcribeには、発言をそのまま残す`verbatim`と、読みやすく整える`smart`があります。どちらが上という話ではありません。

会議内容を読みやすく共有するだけなら、Smartモードが便利です。一方、「誰が実際に何と言ったか」が重要な面談、契約交渉、調査では、逐語モードを選びます。

注意したいのは、Smartモードでは話者の区別と単語単位の時刻を併用できないことです。「文章をきれいにしたい」「話者と時刻を残したい」の両方を一度に満たす設定ではありません。

迷ったら、元記録が重要な業務は逐語モード、読みやすさを優先する社内メモはSmartモード、と分けると判断しやすくなります。Google公式の文字起こしガイド

文字起こしの精度はどのくらいか

音声認識では、WERという指標がよく使われます。Word Error Rateの略で、簡単にいえば文字起こしで単語を誤った割合です。数字が低いほど、誤りが少ないことを示します。

Googleは、Artificial Analysisによる評価として、録音済み音声で平均2.6%、リアルタイムで平均4.0%のWERを紹介しています。また、多言語のFLEURSベンチマークでは、録音済み音声が5.04%、リアルタイムが5.50%としています。

ただし、これは日本語の会議だけを測った数字ではありません。静かな環境と騒がしい店舗、1人の音声と複数人が重なる会議でも結果は変わります。「日本語でも必ず97%以上正しい」と読み替えることはできません。

導入前には、自社の音声を使って次の点を確かめます。

日本語の固有名詞と業界用語を正しく拾えるか
数字、日付、金額、製品番号を間違えないか
2人以上の発言を正しく分けられるか
雑音や声の重なりがある場所でも使えるか
人が直す時間を含めても、現在より速くなるか

精度だけを競うより、人による修正まで含めた作業時間を見るほうが、導入判断には役立ちます。

Gemini 3.5 Transcribeの料金

2026年9月1日時点のGemini Developer APIには、無料枠と有料枠があります。Googleの料金表では、1分あたりの実効的な推定料金が示されています。

これはGoogleが一定のトークン数を仮定して算出した目安です。実際の請求は入力音声と出力テキストのトークン量で決まります。為替、税、ほかの処理に使うモデルやシステムの費用も別に考えます。Gemini API公式料金表

Gemini 3.5 Transcribeは、同じ入力を再利用して処理費用を抑えるコンテキストキャッシュに対応していません。同じ音声を設定違いで何度も処理する検証では、その都度API利用分が発生します。録音時間だけでなく、再処理の回数も費用試算に含めてください。

企業利用では、価格より先にデータの扱いを確認してください。公式料金表では、無料枠のコンテンツはGoogleの製品改善に利用される一方、有料枠では利用されないと記載されています。

無料で試すときは公開可能な音声や架空の会議音声を使い、顧客情報、社内会議、人事面談などをそのまま入れない運用が安全です。

初心者が試す方法

開発を始める前に、Google AI Studioからモデルを試せます。Googleのモデルページにある「Try in Google AI Studio」から進み、対象モデルが自分のアカウントで表示されるか確認します。プレビュー中のため、利用できる画面や提供範囲が変わる可能性があります。

試す音声は、次の条件で用意すると比較しやすくなります。

1〜3分程度の短い日本語音声を使う
フィラー、言い直し、数字、固有名詞を意図的に入れる
逐語モードとSmartモードの両方を試す
元音声と照らし、誤った単語と修正時間を記録する
問題がなければ、実際の会議に近い雑音や複数話者で試す

いきなり1時間の会議を渡すより、短い音声で失敗条件を見つけるほうが早く判断できます。

ここから先は開発担当者向けです。APIでは、録音ファイルをアップロードして次のように文字起こしを実行できます。APIキーの準備や権限設定は、Googleの公式手順に従ってください。

from google import genai

client = genai.Client()
audio_file = client.files.upload(file="meeting.mp3")

interaction = client.interactions.create(
    model="gemini-3.5-transcribe",
    input=[
        {
            "type": "audio",
            "uri": audio_file.uri,
            "mime_type": audio_file.mime_type,
        }
    ],
)

print(interaction.output_text)

コードを書かずに試したい方は、この節は読み飛ばして構いません。企業で継続利用するときに、情シスや開発担当者がAPI連携を検討します。

企業で使いやすい5つの場面

会議の議事録を読みやすくする

Smartモードでフィラーと言い直しを整理し、議事録の下書きを作ります。その後、決定事項、担当者、期限を人が確認します。

文字起こしだけで終わらせず、議事録をどう蓄積し、次の行動へつなげるかは、議事録AIはどこまで使えるのかで詳しく解説しています。

すでにGoogleのノートブック機能を使っている場合は、NotebookLM（Gemini Notebook）で議事録を作る方法も参考になります。Gemini 3.5 Transcribeは文字起こしモデル、Gemini Notebookは資料を蓄積して要約や検索に使うサービスで、担当する工程が異なります。

商談や問い合わせの記録を分析する

通話や商談を文字にし、顧客が繰り返し話す課題、質問、失注理由を分類します。話者の区別と時刻を残しておけば、気になる発言から元音声へ戻れます。

ここでは、録音への同意、利用目的、保存期間、閲覧できる人を先に決めます。文字に変えた後も、顧客情報であることは変わりません。

インタビュー原稿の下書きを作る

逐語モードで発言を残し、編集用の元原稿を作ります。公開記事として整える作業は別工程にし、話し手の意図を変えていないか確認します。

読みやすさを優先して最初からSmartモードだけを残すと、言い直しや迷いが消え、発言のニュアンスを確認できなくなることがあります。元音声と逐語記録を残しておくと安心です。

専門用語の多い現場報告を文字にする

製造、建設、医療、ITなどでは、一般的な音声認識が固有名詞で崩れやすくなります。部署ごとの用語集を作り、誤りやすい製品名や設備名を登録します。

ただし、音声だけでは正しい表記を確定できない言葉もあります。製品マスターや顧客台帳と照合する仕組みまで作ると、実務で使いやすくなります。

リアルタイム字幕や音声入力を作る

リアルタイム版を使えば、話している途中から文字を表示できます。社内イベントの字幕、受付支援、音声操作、コールセンターの応対支援などが候補です。

リアルタイム版は1セッション10分という制限があります。長時間の会議で使う場合は、セッションの再接続、途中結果の保存、通信が切れたときの復旧まで設計が必要です。

導入前に確認したい7項目

文字起こしモデルは、精度だけを比べても導入できません。会議や通話には、顧客情報、未公開の数字、人事情報が含まれるからです。

録音することを参加者へ知らせ、必要な同意を得ているか
文字起こしの利用目的を決めているか
無料枠と有料枠でデータの扱いが違うことを理解しているか
音声、文字起こし、要約をどこへ保存するか
誰が閲覧、修正、削除できるか
元音声と文字起こしをいつ削除するか
数字、固有名詞、決定事項を誰が確認するか

無料枠で性能を試す段階では、架空の内容か、公開しても問題のない音声を使います。実際の会議へ広げる前に、利用規約、契約、社内のセキュリティ基準を確認してください。

生成AIへ情報を入力するときの基本的な確認事項は、生成AI・ChatGPTの情報漏洩リスクと対策でも整理しています。

Gemini 3.5 Transcribeが向く企業、まだ急がなくてよい企業

Gemini 3.5 Transcribeは、次のような企業に向いています。

会議、商談、通話、インタビューの音声が多い
日本語と英語、専門用語が混ざる
既存の文字起こしを人が長時間修正している
文字起こしを自社システムへ組み込みたい
リアルタイム字幕や音声エージェントを開発したい

一方、会議ツールに付属する文字起こしで十分な会社は、急いで切り替える必要がありません。録音の同意や保存ルールがない会社も、先に運用を整えるべきです。

製品の新しさだけで選ばず、「いま何分かけて修正しているか」「どの誤りが業務上困るか」「文字にした後、何へ使うか」を確認してから試します。

よくある質問（FAQ）

Q. Geminiアプリへ音声を入れれば、誰でも使えますか？

A. 開発者向けにはGemini APIとGoogle AI Studio、企業向けにはGemini Enterprise Agent Platformでパブリックプレビューとして提供されています。一般利用者向けには、GeminiのmacOSアプリで英語に対応し、AndroidのRamblerは一部の国と言語で提供されています。すべてのGemini画面で同じように使えるわけではありません。

Q. 日本語に対応していますか？

A. 対応言語に日本語の`ja-JP`が含まれています。ただし、マイク、雑音、話者数、固有名詞で精度が変わるため、自社の音声で確認してください。

Q. 無料で使えますか？

A. Gemini Developer APIには無料枠があります。ただし、公式料金表では無料枠のコンテンツは製品改善に利用されます。顧客情報や社内会議を使って無料テストをしないでください。

Q. 会議で誰が話したか分かりますか？

A. 録音済み音声では話者を区別できます。最大8人に対応していますが、3人以上は実験的です。リアルタイム版は話者の区別に対応していません。

Q. Smartモードで議事録を完成できますか？

A. 読みやすい下書きは作れますが、決定事項、担当者、期限、数字、固有名詞は人が確認します。Smartモードは言い直しを整理するため、正式な発言記録には逐語モードが向いています。

Q. 1時間の会議を文字起こしできますか？

A. 録音済み音声は最長1時間です。ただし、話者の区別や単語単位の時刻を有効にする場合は最長30分です。長い会議は分割も検討します。

音声を文字にした後まで設計する｜AIworkerの支援

文字起こしが速くなっても、議事録が保存されるだけでは業務は変わりません。決定事項をタスクへ移す、商談記録から顧客の課題を分析する、現場報告を所定の様式へ整える。音声を文字にした後の流れまで決めて、初めて時間削減につながります。

AIworkerでは、会議や通話の扱い方を確認し、対象業務、データの保存、確認者、効果の測り方を整理します。必要に応じて、既存ツールの活用、研修、API連携、自社業務に合わせた仕組みづくりまで支援します。

AIネイティブX研修｜音声AIを業務で安全に使う

文字起こし、要約、議事録作成を題材に、入力してよい情報、結果の確認方法、その後の業務への戻し方まで学びます。

AIネイティブX伴走｜試した後の運用を整える

実際の会議や通話に近い条件で検証し、専門用語、話者、雑音で起きる誤りを確認します。保存と削除のルール、確認作業、部署への展開方法も一緒に整えます。

業務AIプロ｜音声データを業務システムへつなぐ

文字起こしをCRM、タスク管理、報告書、検索基盤へ連携したい場合は、狭い1業務から仕組みを作ります。人による承認とログを残し、結果を見て対象を広げます。

会議や通話の文字起こしを、どの業務から試すべきか分からない場合も、現在の作業と扱う情報を確認して着手範囲を整理します。

▶️ サービス資料のダウンロード（資料請求）

▶️ 無料カウンセリング・AI活用診断のご予約

著者情報

株式会社AIworker

企業の生成AI導入・人材育成・業務改善を支援しています。1,000件を超える企業商談から得た課題を基に、生成AI研修、業務AI・AIエージェント開発、現場に入る伴走支援を提供。「研修して終わり」ではなく、AIが実際の業務で使われ続ける状態づくりを重視しています。

株式会社AIworker：https://ai-worker.net/

この記事が参考になりましたら、今後の記事づくりの励みになるので、スキをお願いします。

参考資料

Google「Intelligent transcription with Gemini 3.5 Transcribe」（2026年8月26日）https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-5-transcribe/
Google AI for Developers「Gemini 3.5 Transcribe」（2026年8月更新、2026年9月1日閲覧）https://ai.google.dev/gemini-api/docs/models/gemini-3.5-transcribe
Google AI for Developers「Audio transcription」（2026年8月更新、2026年9月1日閲覧）https://ai.google.dev/gemini-api/docs/transcribe
Google AI for Developers「Gemini Developer API pricing」（2026年9月1日閲覧）https://ai.google.dev/gemini-api/docs/pricing
Google DeepMind「Gemini 3.5 Audio Model Card」（2026年8月26日）https://deepmind.google/models/model-cards/gemini-3-5-audio/

#Gemini #Gemini35Transcribe #GeminiTranscribe #GoogleAI #GoogleAIStudio #GeminiAPI #文字起こし #音声認識 #音声AI #議事録 #議事録AI #会議効率化 #商談分析 #コールセンター #リアルタイム字幕 #音声入力 #SpeechToText #AI #生成AI #AI活用 #生成AI活用 #業務効率化 #業務改善 #DX #DX推進 #AI導入 #生成AI導入 #AIエージェント #スマートトランスクリプション #フィラー除去 #話者分離 #多言語対応 #日本語AI #API連携 #GoogleWorkspace #情報セキュリティ #個人情報保護 #AI研修 #株式会社AIworker #AIworker