Gemini 3.5 Transcribeが正式提供──85言語以上を自動判定・話者最大8人分離を料金表で確認する

Googleが2026年8月26日、音声認識に特化した2つのモデル「Gemini 3.5 Transcribe」「Gemini 3.5 Transcribe Live」を正式提供（GA）した。公式Changelog（ai.google.dev/gemini-api/docs/changelog.md.txt）とモデルページで、対応言語・音声時間の上限・料金を確認した。

• ファイル版（gemini-3.5-transcribe）は1時間までの音声を処理可能。ただし話者分離や単語単位タイムスタンプを有効にすると上限は30分に下がる
• 85以上の言語を発話単位で自動判定し、会話中の言語切り替え（コードミキシング）にも対応。カスタム語彙は最大1,000語まで登録できるが、公式は「100語程度までが最も良い結果を出す」と注記している
• 料金は音声1分あたり約$0.005（ファイル版）、約$0.009（Live版）の実効レート。無料枠では入出力とも無料だが、Googleの製品改善に利用されると明記されている

Changelogの記載内容

該当エントリの原文はこうだ。

Gemini 3.5 Transcribe generally available (GA): Released two dedicated speech-to-text models based on Gemini's audio understanding:

• Gemini 3.5 Transcribe (gemini-3.5-transcribe): High-accuracy, low-latency non-streaming speech-to-text with utterance-based language detection across 85+ languages, speaker diarization, word-level timestamps, and custom vocabulary biasing (up to 1,000 terms).
• Gemini 3.5 Transcribe Live (gemini-3.5-transcribe-live): Low-latency, bidirectional streaming speech-to-text over WebSockets using the Live API, supporting interim and finalized transcription events, Smart transcription mode, and multiple Voice Activity Detection (VAD) strategies.

（Gemini 3.5 Transcribe GA：Geminiの音声理解能力に基づく2つの専用音声認識モデルをリリースした。Gemini 3.5 Transcribe（gemini-3.5-transcribe）は、85以上の言語にわたる発話単位の言語検出、話者分離、単語単位タイムスタンプ、カスタム語彙バイアス（最大1,000語）を備えた高精度・低遅延の非ストリーミング音声認識。Gemini 3.5 Transcribe Live（gemini-3.5-transcribe-live）は、Live API経由でWebSocketを使った低遅延・双方向ストリーミング音声認識で、暫定・確定の文字起こしイベント、Smart transcriptionモード、複数の音声区間検出（VAD）方式に対応する）

モデルページで確認した機能差分（ファイル版とLive版）

モデルページには、両エンドポイントの機能差分を示す表がある。特にファイル版とLive版で対応状況が割れている項目に注目したい。

話者分離・単語単位タイムスタンプはファイル版だけの機能で、Live（ストリーミング）版では使えない。リアルタイム字幕と、あとから正確な議事録を作る用途では、使うべきエンドポイントが違うと読める。

料金：分あたりの実効レートで比較する

公式料金ページ（ai.google.dev/gemini-api/docs/pricing）の記載を確認すると、トークン単価とは別に「分あたりの実効レート」が併記されている。

• Gemini 3.5 Transcribe：入力$2.00／出力$12.00（100万トークンあたり）。注記によれば「音声1秒あたり25トークン、出力は1分あたり175テキストトークン」で換算した実効レートは1分あたり約$0.005
• Gemini 3.5 Transcribe Live：入力$3.50／出力$21.00（100万トークンあたり）。同様の換算で実効レートは1分あたり約$0.009

Live版がファイル版より単価が高いのは、低遅延ストリーミング処理のコストが乗っているためだと読み取れる。無料枠（Free Tier）も用意されているが、公式は「無料枠の利用データは製品改善に使われる」と明記しており、有償利用時とはデータの扱いが異なる。

公式ガイドで確認した対応フォーマットとモードの制約

Audio transcriptionガイド（ai.google.dev/gemini-api/docs/transcribe）には、モデルページのスペック表には出てこない実装レベルの制約がいくつか書かれている。

対応する音声フォーマット（MIMEタイプ）は次の12種類が公式ガイドに列挙されている：WAV（audio/wav）、MP3（audio/mp3）、AIFF（audio/aiff）、AAC（audio/aac）、OGG（audio/ogg）、FLAC（audio/flac）、MPEG（audio/mpeg）、M4A（audio/m4a）、L16（audio/l16）、Opus（audio/opus）、ALAW（audio/alaw）、MULAW（audio/mulaw）、WebM（audio/webm）。

さらに「Limitations」欄には、機能同士の組み合わせに関する制約が明記されている。

つまり「きれいに整形された議事録（Smart transcription）」と「単語単位のタイムスタンプ付き文字起こし」は同じリクエストでは両立せず、用途に応じてどちらかを選ぶ必要がある。この制約はモデルページや料金ページには書かれておらず、ガイド本文でのみ確認できた。

ロボティクスモデルとの共通点：Gemini 3.5 Flashベース

同日周辺のGemini関連ドキュメントを見ると、7月30日に公開された「Gemini Robotics ER 2」も「Gemini 3.5 Flashをベースに構築」と説明されている。今回のTranscribeモデルの技術的な系譜については公式が明言していないため断定はできないが、Gemini 3.x世代のFlashモデルが音声・ロボティクスといった専門用途モデルの土台として使い回されている傾向はうかがえる。

話者分離の実用精度は自分では試していない

本記事は公式Changelog・モデルページ・料金ページ・Audio transcriptionガイドの記載を情報源としている。自分で音声ファイルをアップロードして実際の文字起こし精度・話者分離の実用度を検証する作業は本記事の範囲外とした。この記事の執筆と同じ2026年8月27日付でZennにこのモデルを扱った記事が1本（リアルタイム字幕の保存タイミングに関する技術記事）公開されていることも確認しており、本記事はモデル全体の仕様整理という別の切り口で書いている。

加えて、「85以上の言語」の具体的な言語コード一覧はガイド内に表として存在するが、本記事では全件の転記は行っていない（ハンガリー語hu-HU、タイ語th-TH、アイスランド語is-IS、トルコ語tr-TR、インド英語en-INなど個別のコード表記があることは確認した）。話者分離の「3人以上は実験的機能」が具体的にどの程度精度が落ちるかという定量データは、公式ドキュメントに記載がなく確認できていない。

関連記事: Google I/O 2026、「Gemini 3.5 Flash」を発表 / Claude・GPT・Gemini API料金の読み方 / 「AIクレジット」とは何か

感想・指摘はコメント欄へ。