Google: Gemini 3.5 Transcribe

Google: Gemini 3.5 Transcribe は Google の音声テキスト変換モデルです。文字起こしカテゴリに属し、プロバイダーでのリリース日は 2026 年 9 月 25 日です。録音またはストリーミングされた音声を書き起こされたテキストに変換するものを構築する場合、これが Google がその用途に位置づけているモデルファミリーであり、api14 上でモデル id google/gemini-3.5-transcribe として利用できます。

このモデルは音声のみを入力モダリティとして受け取り、出力として文字起こしを返します。コンテキスト長は 98,304 トークン、最大出力は 32,768 トークンです。Google はこれを、単語レベルのタイムスタンプや話者ダイアライゼーションを必要とする同期文字起こしに適しており、最大 8 人の話者をサポートすると説明しています。この 2 点が、出力に何を期待できるかを形作ります。つまり、単なるテキストの塊ではなく、単語に整列されたタイミング情報と、複数の人物が話しているときに声を分離するラベルです。

この組み合わせは、かなり特定のユースケース群を示しています。会議や通話の文字起こしはダイアライゼーションの恩恵を受けます。誰が話したかを推測するのではなく、各行を参加者に帰属させることができるからです。単語レベルのタイムスタンプは、テキストをメディアのタイムラインに整列させる必要がある場合に役立ちます。たとえば、キャプションや字幕の生成、フレーズが話された正確な瞬間にジャンプする検索可能なインデックスの構築、再生中に録音の話された部分をハイライトすることなどです。同期文字起こしは、音声がまだ到着している間にテキストが生成されるインタラクティブなシナリオも示唆します。たとえば、ライブキャプションやセッション中のメモ取りです。8 人の話者制限は、多くの声が入れ替わる大きな会議室よりも、パネルディスカッション、インタビュー、スタンドアップに適しています。

api14 を通じて呼び出す方法は、API が OpenAI 互換であるため、プラットフォーム上の他のモデルと同じです。リクエストを chat completions エンドポイントに送信し、モデル id google/gemini-3.5-transcribe と入力としての音声を指定します。開始前に確認すべき点が 1 つあります。このモデルのサポートされるパラメータ一覧は空であるため、temperature、top_p、max_tokens などのサンプリング制御が受け入れられる、または動作を変えると想定してはいけません。デフォルトを前提に統合を構築し、音声ペイロードとモデル id を自分が制御する部分として扱ってください。

留意すべき主な制約は、入力と出力の種類、およびサイズ制限です。入力は音声のみで、出力は文字起こしのみであるため、同じ呼び出しで文字起こしに対する推論、要約、翻訳、その他のテキスト生成が必要な場合に選ぶモデルではありません。それには文字起こしを汎用テキストモデルに渡すことになります。また、98,304 トークンのコンテキストと 32,768 トークンの出力上限は、非常に長い録音を分割する必要があるかもしれないことを意味し、音声に 8 人を超える異なる話者がいる場合、ダイアライゼーションが全員をカバーしない可能性があります。