Gemini 3.5 Transcribeとは？音声文字起こしの料金・使い方

Googleは2026年8月26日、音声の文字起こしに特化した「Gemini 3.5 Transcribe」の提供を開始しました。日本語を含む85以上の言語に対応し、録音処理とリアルタイム処理を使い分けられます。

Gemini 3.5 Transcribeは、音声を要約する前に、発言を文字へ変える工程を担うモデルです。話者の区別、専門用語への対応、読みやすい文章への整形などを利用できます。

この記事では、録音版とLive版の違い、料金、時間制限を整理します。会議や取材へ導入するときに、人が確認すべき点も見ていきます。

この記事でわかること（結論）

• モデルの役割：Gemini 3.5 Transcribeは、音声を文字へ変える専用のspeech-to-textモデル
• 提供段階：公式のリリースノートとブログで、GAと公開プレビューの表記が一致していない
• 2つの方式：録音ファイル向けモデルと、低遅延のLive版を用途で使い分ける
• 主な機能：85以上の言語、カスタム語彙、Smart transcriptionに対応
• 主な制限：Live版は10分、録音版は通常1時間まで。話者分離などを使うと30分まで
• 料金の目安：有料枠は録音版が約0.005ドル、Live版が約0.009ドル

Gemini 3.5 Transcribeとは？

Gemini 3.5 Transcribeは、Googleが提供する音声文字起こし専用モデルです。2026年8月26日にGemini APIへ追加され、Google AI Studioから利用できます。提供状況は、Gemini APIリリースノートで確認できます。

提供段階は公式情報の表記が一致していない

Gemini APIリリースノートは、Gemini 3.5 Transcribeを一般提供（GA）と案内しています。一方、同日のGoogle公式ブログは、開発者向けと企業向けを公開プレビューと記載しています。

公式情報の表現が一致していません。本番導入前に最新のモデルページと契約条件を確認してください。この記事では、利用可能な機能と制限を公式資料の記載に沿って整理します。

通常のGeminiへ音声ファイルを渡し、内容を要約させる使い方とは役割が異なります。Gemini 3.5 Transcribeは、音声を文字へ変える処理に重点を置きます。その結果を議事録、字幕、検索、要約などへ渡しやすくするモデルです。

Gemini APIは、外部のシステムからGeminiの機能を呼び出すための窓口です。仕組みの基礎は、APIを初心者向けに解説した記事でも整理しています。

録音版とLive版の2種類がある

Gemini 3.5 Transcribeには、録音済み音声を処理するモデルと、音声をリアルタイムに処理するモデルがあります。必要な速さと記録の細かさで選びます。

項目	録音ファイル向け	Live版
モデルID	gemini-3.5-transcribe	gemini-3.5-transcribe-live
主な用途	会議録音、取材、通話後の分析	ライブ字幕、音声入力、通話中の支援
最大時間	通常1時間	1セッション10分
話者の区別	最大8人。3人以上は実験的	非対応
単語単位の時刻情報	対応	非対応
カスタム語彙	対応	対応

会議後に誰がいつ話したかまで整理するなら録音版が向いています。会話中にすぐ字幕を表示したい場合はLive版が候補になります。

仕事で役立つ機能は？

実務で確認したい機能は、言語の自動判定、カスタム語彙、Smart transcriptionの3つです。文字起こし後の修正作業をどこまで減らせるかに関わります。

日本語を含む85以上の言語を自動判定する

Gemini 3.5 Transcribeは、日本語を含む85以上の言語に対応します。会話の途中で複数言語が混ざるコードスイッチングも対象です。対応範囲は、Gemini 3.5 Transcribe公式モデル資料で確認できます。

海外拠点との会議や、英語の商品名が多い打ち合わせで使いやすい機能です。ただし、対応言語に含まれることと、固有名詞を必ず正しく認識することは別です。

社名や商品名をカスタム語彙へ登録できる

custom vocabulary（カスタム語彙）は、認識してほしい専門用語を事前に渡す機能です。最大1,000語を登録できますが、Googleは通常100語程度までの方が良い結果を得やすいと案内しています。

社名、商品名、業界用語など、誤変換すると困る語を絞って登録します。社内用語集をすべて入れるより、利用場面ごとに必要な語だけを選ぶ方が管理しやすくなります。

発言をそのまま残すか、読みやすく整えるかを選べる

Smart transcriptionは、「えっと」などのフィラーを除き、数字や記号を読みやすく整える機能です。会議メモや社内共有の下書きでは、確認時間を減らしやすくなります。

一方、取材の記録や発言の証跡では、整形によって原音との表現が変わる場合があります。正確な発言記録と読みやすい文章は目的が異なるため、用途を先に決めます。

料金と時間制限は？

Gemini APIには無料枠と有料枠があります。有料枠の目安は、録音版が1分約0.005ドル、Live版が1分約0.009ドルです。

料金は音声入力とテキスト出力で決まる

Googleの料金表では、録音版の入力が1分約0.003ドル、出力が約0.002ドルです。Live版は入力が約0.005ドル、出力が約0.004ドルとされています。

方式	入力の目安	出力の目安	合計の目安
録音版	約0.003ドル／分	約0.002ドル／分	約0.005ドル／分
Live版	約0.005ドル／分	約0.004ドル／分	約0.009ドル／分

請求は実際のトークン使用量で決まるため、固定の分単価ではありません。月間の音声時間と、人が修正する時間を合わせて費用対効果を見ます。単価は、Gemini Developer API公式料金で確認できます。

話者分離や時刻情報を使うと上限が30分になる

録音版は通常1回1時間まで処理できます。しかし、話者分離または単語単位の時刻情報を有効にすると、1回30分までに短くなります。

長時間の会議を処理する場合は、必要な機能を先に決めます。30分を超える音声では、ファイルを分ける処理や再結合の方法も用意しておきます。

どんな業務に向いている？

Gemini 3.5 Transcribeは、文字起こしが繰り返し発生し、後続の要約や検索へつなげたい業務に向いています。利用者が直接押す会議ボタンではなく、業務ツールへ組み込むAPIとして考えると位置づけが分かりやすくなります。

会議や商談の記録

録音版では話者を分けられるため、複数人の会議記録を作る下地になります。ただし、3人以上の話者判定は実験的です。氏名、決定事項、担当者、期限は元音声と照合します。

Google Meetの画面から議事録を作りたい場合は、Google MeetのAI議事録機能を解説した記事が近い選択肢です。Transcribeは、独自の録音処理や業務システムを作る用途に向きます。

取材や動画の字幕データ

単語単位の時刻情報を使うと、字幕の位置や検索用データを作りやすくなります。ただし、Googleは時刻情報を有効にすると文字起こし精度が下がる場合があると明記しています。

文字の正確さと、音声内の位置情報のどちらを優先するかを決めます。同じ音声でも、保存用の文字起こしと字幕用データで処理を分ける方法があります。

リアルタイム字幕や通話中の支援

Live版は、低遅延で音声を文字へ変えます。ライブ字幕、音声入力、オペレーター支援など、会話中に文字が必要な場面で検討できます。

1セッションは10分までで、話者分離や単語単位の時刻情報には対応しません。長い通話を残す場合は、Live版だけで完結させず、録音版との役割分担を検討します。

実務上の注意

導入前には、機能を有効にしたときの制限、無料枠と有料枠のデータ扱い、人による確認範囲を整理します。

話者分離と時刻情報は精度や時間上限へ影響する

話者分離を使うと録音時間の上限が30分になります。3人以上の話者判定は実験的です。また、単語単位の時刻情報は文字起こし精度を下げる場合があります。必要な機能をすべて有効にするのではなく、用途ごとに選びます。

無料枠と有料枠でデータの扱いが異なる

Googleの料金表では、無料枠は送信した内容が製品改善に使われる欄が「はい」、有料枠は「いいえ」です。機密情報を含む音声を無料枠へ送る前に、社内ルールとGoogleの最新条件を確認します。

文字起こし結果を正式記録として自動確定しない

音声認識では、固有名詞や数値を誤る可能性があります。否定表現と話者の区別にも注意が必要です。契約、決裁、顧客対応に関わる発言は、人が元音声と照合します。録音の同意、保存期間、閲覧権限も先に決めておきます。

まとめ

Gemini 3.5 Transcribeは、日本語を含む85以上の言語へ対応する文字起こし専用モデルです。録音版は話者分離や時刻情報に対応し、Live版は低遅延のリアルタイム処理に向きます。

選ぶ基準は、処理の速さだけではありません。記録時間と話者数を先に決めます。時刻情報、データの扱い、人が確認する範囲も決めると、業務へ組み込みやすくなります。

よくある質問

関連する用語・出典

• Gemini 3.5 Transcribe：録音ファイルを処理し、話者分離や単語単位の時刻情報を出せる音声文字起こしモデル
• Gemini 3.5 Transcribe Live：低遅延で音声を文字へ変えるリアルタイム向けモデル
• Speaker diarization：音声の中で発言者を分ける話者分離機能
• Smart transcription：フィラーの除去や数字の整形を行い、読みやすい文字列へ整える機能
• 公式発表：機能の概要はGoogle公式ブログで確認できます。

※本記事は2026年8月27日時点のGoogle公式情報をもとに作成しています。公式資料では提供段階の表記が一致していません。料金と対応機能は変更される可能性があります。時間上限、データの扱い、提供条件も最新情報をご確認ください。