アメリカのIT大手グーグルは、これまでで最も精度が高いとする最新の音声認識モデル「Gemini 3.5 Transcribe」を開発し、すでに自社の複数の製品に導入したと発表しました。
グーグルによりますと、従来の音声認識モデルは背景の雑音や専門用語、言い淀みの処理に課題がありました。しかし、今回の新しいモデルでは、録音された音声を直接、正確で自然な文章に変換できるということです。
このモデルは、利用者の自然な話し方を捉え、意図を理解するよう設計されています。例えば、「火曜日に会いましょう、いや水曜日で」といった発言の自己訂正に対応するほか、「ええと」などの不要な言葉を自動的に削除します。さらに、文章の自動整形や、音声による自然な編集も可能だとしています。
性能面では、2025年の従来モデル「Chirp 3」と比較して、処理速度や精度が大幅に向上したとしています。外部機関の測定によりますと、文字起こしが完了するまでの時間が70％短縮されました。また、多言語での単語誤り率を約5％に抑えるなど、高い認識精度を達成しているということです。
グーグルは、音声操作によって複雑な作業を実行させることを今後の戦略的な目標としています。新モデルでは、画像生成やファイル分析などの複雑な処理を、他のAIモデルに連携して実行できるということです。この機能は、Mac向けのアプリなどで活用されています。
現在、このモデルはMac向けアプリや、Android向けのキーボード機能「Gboard Rambler」などに導入されています。さらに、利用者の許可を得た上で画面の文脈や過去の履歴を読み取り、ファイル名などを正確に文字起こしする機能にも活用されているということです。
今後は、自社のウェブブラウザ「Chrome」にも導入される方針です。これにより、ウェブ上のあらゆる入力欄で音声入力が可能になり、返信の作成やAIへの指示がより自然で簡単に行えるようになるとしています。