3行でわかるこの記事
- 何が起きた？ Googleが2026年8月26日に、話し声を文章に変える新しいモデル「Gemini 3.5 Transcribe」を発表しました。
- 重要なポイント 「えーと」「あの」を自動で取り除き、言い直したときは後から言ったほうを汲んで書き起こします。
- なぜ注目？ 85以上の言語を自分で聞き分け、書式まで整えるので、話しただけで送れる文章になるからです。
はじめに
「音声入力って、あとで直すほうが大変だと思っていませんか。」
音声入力に切り替えたほうが早いのは分かっています。それでも指で打ってしまうのは、自分の話し方がそのまま文字になると知っているからかもしれません。「えーっと」も、途中で言い直したところも、全部そのまま残る。送る前に直すなら、最初から打ったほうが早い。
気になるのは、その言いよどみを機械がどこまで汲んでくれるのか。そして、その音声入力にどの入り口から触れられるのか。Googleが2026年8月26日に発表した「Gemini 3.5 Transcribe」をお伝えしますね。
ひとことで言うと
Gemini 3.5 Transcribeは、話し声からつなぎ言葉を取り除き、言い直したときは後から言ったほうを採り、書式まで整えた文章にして返します。ここからは、暮らしの中で何がどう変わるのかを順番に見ていきましょう。
打っては消しての数分は、どこへ消えている？
指が止まるのは、書く内容が決まっていないからではありません。決まっているのに、指がその速さに追いつかないからです。人が話す速さと親指が動く速さの差が、そのまま待ち時間になります。
その差を埋めるために音声入力はありました。ただ、これまでの音声入力は聞こえた音を並べるところが仕事の中心で、話し方のクセまでは引き受けてくれません。「えーっと」は残り、言い直せば前と後ろの両方が載る。結局、送る前に読み返して直す時間が生まれます。
引き受けてくれる範囲が、8月26日に一段広がりました。
8月26日、音声入力は何を聞き分けるようになった？
Googleが発表したGemini 3.5 Transcribeは、生の音声から、書式の整ったテキストを直接作ります。つなぎ言葉を取り除くことも、言い直しを扱うことも、書式を整えることも、そのひと続きの中で行われます。Googleがこれまでに作ってきた音声認識のなかで、いちばん精度が高いモデルにあたります。
話す側から見て新しくなったのは、大きく3つです。
1つめは、つなぎ言葉が消えること。「えーと」「あの」のように、話しながらつい挟んでしまう言葉を自動で取り除きます。
2つめは、言い直しを汲むこと。「火曜日に会いましょう、あー、いや水曜日で」と話すと、水曜日に会いましょう、と書き起こします。先に言った火曜日は残らず、後から言い直した水曜日のほうが文章になります。
3つめは、書式が自動で整うこと。句読点や改行を自分で口に出さなくても、読める形にして返ってきます。
正確さも数字で出ています。書き起こした単語のうち間違いが混ざった割合は、話しながら文字にしていく使い方で4.0%、録音を後から文字にする使い方で2.6%。話した言葉の大半が、そのまま正しい文字になっている水準です。
「えーっと」が消えると、話し方はどう変わる？
スマホに向かって普段どおりに話します。えーっと、明日の件なんですけど、あー、いや明後日でしたね、午後からで大丈夫です。
このモデルの仕事は、その言い方から「えーっと」と「あー」を落とし、取り消した明日ではなく言い直した明後日のほうを採り、句読点を付けて並べるところまでです。読み返して直す場所を探しているうちに、送れる形になっています。
話し終えてから文字が出そろうまでの待ちも短くなりました。前のモデルと比べると、最後のテキストが出るまでの時間は70%短縮されています。話し終えた指がそのまま送信ボタンに向かえる、という速さです。
固有名詞にも手が打ってあります。取引先の社名や商品名のように、ふつうの辞書には載っていない言葉は、あらかじめ登録しておける仕組み（カスタム語彙）が用意されています。毎回同じところで変換に失敗して、そこだけ指で直す、という手間が減ります。
話す言語を選ぶ設定も要りません。85以上の言語を自分で見分けて書き起こすので、日本語で話しかけた次の行から英語に切り替えても、切り替えのボタンを探さずに済みます。旅先で教わった言葉をその場でメモしたいとき。家の中で2つの言語が飛び交うとき。仕事で日本語と英語を行き来するとき。どの場面でも、話し始めたほうに機械が合わせてくれます。
いちばん効くのは、話す前に頭の中で文章を完成させなくてよくなることかもしれません。考えながら話しても、迷って言い直しても、出てくるのは整った文です。打っては消してに使っていた数分が、誰に何を伝えたいかを考える時間のほうに戻ってきます。
3人までの声を聞き分けると、録音のあとの作業はどう変わる？
整えてくれる範囲は、自分ひとりの声にとどまりません。このモデルは最大3人までの話し手を聞き分け、録音済みの音声を扱うときは、話した人ごとに分けたうえで、単語ひとつずつに時刻を付けて書き起こします。
打ち合わせの録音を後から開く場面を思い浮かべると、違いがはっきりします。これまでは、誰が言ったのかを耳で判断しながら書き分け、聞き逃したところは何度も巻き戻していました。話し手ごとに分かれた文字と、単語に付いた時刻があれば、あの一言はどこだったかを探すときに、その場所へ直接戻れます。
録音のあとに残る作業が、文字にする作業から、読んで決める作業に変わります。聞き分けられるのは3人までなので、大人数の会議まるごとをそのまま任せられるわけではありません。それでも、2人か3人で話した打ち合わせは、ほとんどそのまま記録になります。
今はどの入り口で動いていて、次はどこに来る？
まず確かめるのは、自分が毎日触っている入力欄です。Androidのスマホなら、キーボードのGboardに加わった新しい口述筆記機能「Rambler」で動きます。新しいアプリを入れて覚え直す話ではなく、いつも使っているキーボードに加わった機能から使えます。
パソコン側では、Mac版のGeminiアプリで英語での利用が始まっています。Google Chromeへの対応も近日の予定に入っていて、ブラウザで開いた入力欄が次の入り口になります。
開発者に向けては別の窓口も開いています。話しながらその場で文字にする窓口は1秒未満の遅れで応え、録音済みの音声をまとめて処理する窓口はそれとは別に用意されました。Google AI StudioやAntigravityではプレビューとして触れます。ただ、手元のスマホで音声入力を使うだけなら、そちらを開く必要はありません。難しい設定や申し込みの手続きもありません。
話し方に自信がなくても、思ったことを口にすればそれが読める文章になる。その入り口が、いつも指で叩いているキーボードの中に来ました。
用語ミニ解説
- Gemini 3.5 Transcribe: Googleが2026年8月26日に発表した、話し声を文章に変えるモデル。つなぎ言葉の除去から書式づけまで行います。
- つなぎ言葉（フィラー）: 「えーと」「あの」のように、話の間をつなぐために挟まれる言葉。
- 単語誤り率: 書き起こした単語のうち、間違いがどれだけ混ざったかを表す割合。数字が小さいほど正確です。
- 話者識別: 録音の中で、いま話しているのが誰なのかを分けて記録するはたらき。
- カスタム語彙: 社名や商品名など、ふつうの辞書に載っていない言葉を前もって登録しておく仕組み。
- Rambler: AndroidのキーボードGboardに加わった、話した言葉を文字にする機能。
Me-Moon編集後記 🌙
うまく話せないと思っている人ほど、今回の変化は大きく効くのかもしれません。言い直しても大丈夫だと分かっていると、話す前に頭の中で文章を完成させなくてよくなります。
考えながら話していい、という状態はけっこう気持ちがいいものです。次に長い返信を書くときは、指ではなく口から始めてみたいですね🌙
Me-Moonコミュニティのご案内
Me-Moon Mediaは、AIやWeb3をやさしく楽しむコミュニティ「Me-Moon」が運営しています。 記事の感想や気になるニュースの話は、LINEオープンチャットでお待ちしています。
あわせて読みたい
– 今回の書き起こしが英語で動き始めたMac版アプリが、どんな入り口なのかを先に見ておけます
– 話し言葉を機械が扱う流れを、聞く側の道具のほうから見比べられます
参考リンク
- Google、「Gemini 3.5 Transcribe」を発表 ～「あー」「えーっと」まじりの声も話者の意図をくんだ整ったテキストに — 窓の杜, 2026-08-27
- グーグルが音声認識AI「Gemini 3.5 Transcribe」発表、言い淀みや雑音も自動補正 — ケータイ Watch, 2026-08-27
- 「あー」「えー」などを自動削除しつつリアルタイムで文字起こししできる音声認識モデル「Gemini 3.5 Transcribe」をGoogleが発表 — GIGAZINE, 2026-08-27
- Introducing Gemini 3.5 Transcribe — Google, 2026-08-26
