Google、新しい音声認識AIを発表

Googleは、リアルタイム音声インターフェースや録音音声向けの音声認識モデルであるGemini 3.5 Transcribeをリリースしました。これは1つではなく、2つのエンドポイントとして提供されます。gemini-3.5-transcribeはInteractions APIを通じて事前録音ファイルを処理します。gemini-3.5-transcribe-liveはLive APIを通じて双方向ストリーミングを処理します。Googleは、Artificial Analysisの測定によると、ストリーミングで平均単語誤り率4.0%、非ストリーミングで2.6%を報告しています。最終的な文字起こしにかかる時間は、以前のモデルであるChirp 3と比較して70%改善されています。自動検出は、文中のコードスイッチングを含む85以上の言語をカバーしています。これら2つのエンドポイント間の分割は、計画を立てる上で考慮すべき点です。これらは同じ機能セット、制限、価格を共有していません。展開可能か？はい、ただしAPIのみです。オープンウェイトや自己ホストパスはありません。これはインフラストラクチャの決定ではなく、マネージドサービスの決定です。企業レベル：任意。ソロ開発者やスタートアップは、Google AI Studioを通じてGemini APIの無料ティアから開始できます。中規模市場のチームは、より高いレート制限のために有料ティアに移行します。有料ティアでは、コンテンツがGoogleの製品改善に使用されないことも保証されます。規制対象の企業は、プロビジョニングされたスループット、コンプライアンス管理、ボリュームディスカウントを追加するGemini Enterprise Agent Platformを通じてルーティングします。開発者およびエンタープライズの両方のトラックはパブリックプレビュー中であるため、本番環境でのコミットメントはそれに応じて扱ってください。業界：コンタクトセンターおよびCXプラットフォーム、臨床文書作成、メディアキャプション作成およびローカライズ、法務および保険の受付、会議ツール、音声駆動型開発者ツール。アプリケーション：リアルタイム音声エージェント、ライブキャプション作成、通話後分析パイプライン、話者識別付き会議文字起こし、ディクテーション、音声制御インターフェース。