概要
Googleの低遅延リアルタイム音声文字起こしモデル。Gemini Live APIをWebSocketまたはSDKから利用し、音声を連続入力しながらテキストを段階的に受け取れる。会話応答や音声生成を主目的とするモデルではなく、音声認識専用のパイプラインである。(aistudio.google.com)
能力と用途
- 発話中の暫定結果と、発話区間終了後の確定結果を返す。音声アプリ、リアルタイム字幕、音声入力などに利用できる。(aistudio.google.com)
- 85以上の言語を自動検出し、セッション中の言語切り替えに対応する。日本語も対応言語に含まれる。(docs.cloud.google.com)
- カスタム語彙を最大1,000語指定できる。デフォルトの逐語モードに加え、Smartモードではフィラーの除去、言い直しの修正、整形を行う。音声区間の検出には複数のVAD方式を利用できる。(aistudio.google.com)
制限
- 連続ストリーミングは1セッション最大10分。ライブ版は話者分離と単語単位のタイムスタンプに対応せず、発話単位のタイムスタンプを返す。録音済み音声向けの別モデル
gemini-3.5-transcribeとは区別が必要。(aistudio.google.com) - Smartモードは語単位の注釈と併用できない。カスタム語彙は最大1,000語だが、通常は100語以内が推奨される。(aistudio.google.com)
発表日と提供状況
Gemini APIの更新履歴は、2026年8月26日に本モデルを一般提供(GA)として掲載している。一方、同日付のGoogle公式ブログはTranscribeの提供を公開プレビューと記載しており、Enterprise Agent Platformのモデル文書はライブ版のGAを2026年10月と記載している。公式資料間で記載が異なるため、利用するプラットフォームごとの提供状況を確認する必要がある。(aistudio.google.com)
料金
Gemini Developer APIのStandard料金。通貨は米ドル(USD)、確認日:2026年11月16日。(aistudio.google.com)
- 無料枠:入力・出力とも無料。
- 有料枠:音声入力は100万トークン当たり USD 3.50、テキスト出力は100万トークン当たり USD 21.00。
- 公式の分単価は、入力を毎秒25音声トークン、出力を毎分175テキストトークンと仮定した概算で、入力約 USD 0.005/分、出力約 USD 0.004/分、合計約 USD 0.009/分。固定の分単位料金ではなく、実際のトークン消費に応じて変動する。(aistudio.google.com)