概要
Googleの音声認識・文字起こしモデル。入力音声をテキストに変換し、録音済みの会議、通話記録、音声分析などに利用できる。85以上の言語を自動検出し、会話中の言語切り替えにも対応する。(blog.google)
能力と用途
- 発話の言い直しやフィラーを整理し、テキストを整形するスマート文字起こしに対応。
- 録音音声では話者分離、単語単位のタイムスタンプ、専門用語などのカスタム語彙に対応。
- リアルタイム字幕や音声インターフェースには、別モデルID
gemini-3.5-transcribe-liveを使用する。(blog.google)
制限
- Gemini Developer APIでは、録音音声は1リクエスト最大1時間。話者分離または単語単位のタイムスタンプを有効にした場合は最大30分。(aistudio.google.com)
- Google CloudのAgent Platformでは、話者分離やタイムスタンプを有効にしたファイル処理は最大15分。単語単位のタイムスタンプや話者分離は実験的機能とされ、3人以上の話者の識別も実験的。単語単位のタイムスタンプは認識精度を低下させる場合がある。(docs.cloud.google.com)
- Agent Platformのモデル自体は関数呼び出し、コード実行、コンテキストキャッシュに対応しない。macOS版Geminiアプリで紹介されている関数呼び出しは、他のGeminiモデルを連携させるアプリ側の機能である。(docs.cloud.google.com)
料金
Gemini Developer APIの標準料金:有料枠は音声入力が100万トークンあたりUSD 2.00、テキスト出力が100万トークンあたりUSD 12.00。無料枠では入力・出力とも無料。料金は利用枠などの条件に従う。(aistudio.google.com)
Agent Platformの掲載料金も、当該録音音声モデルについて音声入力が100万トークンあたりUSD 2.00、テキスト出力が100万トークンあたりUSD 12.00。入力25音声トークン/秒、出力175テキストトークン/分を仮定した合算目安は、音声1分あたりUSD 0.0051であり、固定の分単位料金ではない。(cloud.google.com)
料金確認日:2026年11月16日。リアルタイム用の別モデルには別料金が適用される。
発表日と提供状況
モデルの公式発表日は2026年8月26日。当初は公開プレビューとして発表された。Agent Platformの文書では、プレビュー版は2026年8月、gemini-3.5-transcribe の一般提供版は2026年10月リリースと記載されている。(blog.google)