Gemini 3.5 Transcribeとは？文字起こしの使い方・料金・日本語対応を解説

Googleは2026年8月、新しい音声認識モデル「Gemini 3.5 Transcribe」を発表しました。

日本語を含む85以上の言語に対応し、話者識別やリアルタイム文字起こし、フィラー・言い直しの整理など、文字起こしに特化した機能を備えています。

この記事では、Gemini 3.5 Transcribeの特徴や使い方、料金、日本語対応について分かりやすく解説します。

Nottaとの違いも比較するので、AIで音声を効率よく文字起こししたい方は参考にしてください。

Gemini 3.5 Transcribeとは？
1. Googleの文字起こし専用AIモデル
2. 従来のGeminiとの違い
Gemini 3.5 Transcribeでできること
Gemini 3.5 Transcribeの使い方
Gemini 3.5 Transcribeの料金
1. 無料で使える？
2. 有料利用の料金目安
Gemini 3.5 Transcribeの文字起こし精度
Gemini 3.5 TranscribeとNottaを比較
Gemini 3.5 Transcribeを使う際の注意点
1. 音声ファイルやリアルタイム利用に時間制限がある
2. API利用にはある程度の知識が必要
Gemini 3.5 Transcribeに関するよくある質問
まとめ

Gemini 3.5 Transcribeとは？

Gemini 3.5 Transcribeは、Googleが開発した文字起こし専用のAIモデルです。

音声をテキスト化するだけでなく、言語の自動判定や話者識別、文章の整形にも対応しています。

Googleの文字起こし専用AIモデル

Gemini 3.5 Transcribeは、2026年8月26日にGoogleが発表したSpeech-to-Text（音声文字変換）専用モデルです。

Googleは「これまでで最も高精度なSpeech-to-Textモデル」と位置づけており、背景雑音やさまざまなアクセント、専門用語を含む音声の文字起こしにも対応できるよう設計されています。

主な特徴は以下のとおりです。

日本語を含む85以上の言語・地域に対応
会話中に言語が切り替わる音声も認識
最大8人までの話者識別に対応
単語単位のタイムスタンプを付与
最大1,000語の専門用語や固有名詞を登録可能
フィラーや言い直しを整理するSmart transcriptionに対応

なお、3人以上の話者識別は試験運用版です。

録音済みの音声には「gemini-3.5-transcribe」、リアルタイム文字起こしには「gemini-3.5-transcribe-live」が用意されています。

従来のGeminiとの違い

従来のGeminiでも、音声ファイルの内容を理解したり、要約したりできます。

一方、Gemini 3.5 Transcribeは、音声を正確にテキスト化する「文字起こし」に特化したモデルです。

主な違いは以下のとおりです。

比較項目	従来のGemini	Gemini 3.5 Transcribe
主な用途	音声の内容理解・要約	音声の文字起こし
話者識別	用途によって対応	最大8人まで対応※
タイムスタンプ	文字起こし専用機能ではない	単語単位で付与可能
フィラー・言い直し	プロンプトなどで整理	Smartモードで自動整理
専門用語の登録	専用機能ではない	最大1,000語まで登録可能
リアルタイム文字起こし	音声対話などに対応	専用モデルを用意

※3人以上の話者識別は試験運用版です。

Gemini 3.5 Transcribeは、会議やインタビュー、録音データなどを「文字として正確に残したい」場合に向いています。

一方、音声の内容を要約したり質問したりしたい場合は、従来のGeminiでも対応できます。

Gemini 3.5 Transcribeでできること

Gemini 3.5 Transcribeは、音声の文字起こしに加えて、言語認識や話者識別、文章の整形にも対応しています。

日本語を含む85以上の言語に対応

Gemini 3.5 Transcribeは、日本語を含む85以上の言語・地域に対応しています。

言語を自動判定できるほか、日本語と英語が混ざる会話にも対応可能です。

たとえば、「Google Meet」や「SEO strategy」など、英語のサービス名や専門用語が入る会話でも利用できます。

話者識別やリアルタイム文字起こしに対応

録音済み音声では、最大8人までの話者識別と単語単位のタイムスタンプに対応しています。

なお、3人以上の話者識別は試験運用版です。

リアルタイム文字起こしには、専用モデル「gemini-3.5-transcribe-live」を使用します。

ただし、リアルタイム版では話者識別や単語単位のタイムスタンプは利用できません。

フィラーや言い直しを整理できる

Gemini 3.5 Transcribeには、「Verbatim」と「Smart」の2つのモードがあります。

Verbatimは、「えー」「あのー」などを含めて発言をできるだけそのまま残すモードです。

一方、Smartはフィラーや繰り返し、言い直しを整理し、読みやすい文章に整えます。

また、企業名や人名などを認識しやすくするため、最大1,000語のカスタム語彙も登録できます。

なお、Smartは話者識別や単語単位のタイムスタンプと併用できません。

Gemini 3.5 Transcribeの使い方

Gemini 3.5 Transcribeは、主にGemini APIを使って利用します。

音声ファイルをアップロードし、文字起こし専用モデルを指定してテキスト化する仕組みです。

Gemini APIから利用する

Google公式では、PythonやJavaScript、REST APIを使った方法が案内されています。

基本的な流れは以下のとおりです。

Gemini APIを利用できる環境を用意する
音声ファイルをアップロードする
「gemini-3.5-transcribe」を指定する
文字起こし結果を取得する

Nottaのように、Web画面からファイルを選ぶだけで使えるサービスとは操作方法が異なります。

MP3・M4A・WAVなどを文字起こしできる

Gemini 3.5 Transcribeは、MP3、M4A、WAVなど主要な音声形式に対応しています。

AAC、FLAC、OGG、WebM、AIFF、Opusなども利用できるため、スマホのボイスメモや会議の録音データも文字起こしできます。

一般ユーザーにはややハードルが高い

Gemini 3.5 Transcribeは高性能ですが、現時点ではAPIを使った操作が基本です。

APIの設定やコードの実行が必要になるため、プログラミングに慣れていない方には少し難しく感じるでしょう。

手軽に文字起こししたい場合は、音声ファイルをアップロードするだけで利用できるNottaの方が扱いやすいです。

AI文字起こしを、今すぐ無料で体験！

【公式】無料でNottaを始める

AIボイスレコーダー「Notta Memo」

🎉 15%OFF！クーポンコード「NOTTA.AI」でお得に購入する↓
＊3,525円引きの19,975円で購入できます。

【公式】お申し込みはコチラ

スタータープランで始められ、毎月300分（5時間）の文字起こしを無料で利用できます。

AIが議事録まで作る、次世代AIイヤホン

【公式】お申し込みはコチラ

スタータープランで始められ、毎月300分（5時間）の文字起こしを無料で利用できます。

Gemini 3.5 Transcribeの料金

Gemini 3.5 Transcribeは無料枠から試せます。

有料で利用する場合も、録音済み音声なら比較的低コストです。

無料で使える？

Gemini APIには無料枠があり、Gemini 3.5 Transcribeも無料で試せます。

ただし、無料で無制限に使えるわけではなく、利用量には上限があります。

大量の音声を継続して文字起こしする場合は、有料枠の利用が必要です。

また、Google公式では、無料枠で送信したデータはGoogle製品の改善に利用される場合があると案内しています。

機密性の高い会議音声などを扱う場合は、データの取り扱いも確認しておきましょう。

有料利用の料金目安

Gemini 3.5 Transcribeの有料料金は、音声入力とテキスト出力を合わせて約0.005ドル／分が目安です。

モデル	料金目安
Gemini 3.5 Transcribe	約0.005ドル／分
Gemini 3.5 Transcribe Live	約0.009ドル／分

通常版で60分の音声を文字起こしした場合、約0.30ドルが目安です。

なお、実際の料金はトークン使用量によって変わります。利用前にGoogle公式の最新料金を確認しておきましょう。

Gemini 3.5 Transcribeの文字起こし精度

Gemini 3.5 Transcribeは、Googleが高精度なSpeech-to-Textモデルとして提供しています。

ただし、日本語だけを対象にした認識精度は公式には公表されていません。

日本語の認識精度

Gemini 3.5 Transcribeは、日本語に正式対応しています。

Google公式では、Artificial Analysisの評価において、録音済み音声で平均WER（単語誤り率）2.6％を記録したと紹介されています。

ただし、この数値は複数の言語や音声環境を含む評価で、日本語だけの精度を示すものではありません。

そのため、「日本語でも97％以上の精度」といった表現は避け、日本語に対応し、多言語で高い認識性能が確認されていると理解するのが適切です。

固有名詞や英語混じりの音声への対応

Gemini 3.5 Transcribeは、日本語と英語が混ざる会話にも対応しています。

さらに、人名や企業名、専門用語などを最大1,000語までカスタム語彙として登録できます。

固有名詞の誤認識を減らすのに役立ちますが、登録した単語が必ず正しく認識されるわけではありません。

VerbatimとSmartの違い

Gemini 3.5 Transcribeには、「Verbatim」と「Smart」の2つの文字起こしモードがあります。

Verbatimは、「えー」「あのー」といったフィラーや言い直しを含め、発言をできるだけそのまま残すモードです。

一方、Smartはフィラーや繰り返し、言い直しを整理し、句読点や数字なども読みやすい形に整えます。

発言を忠実に記録したい場合はVerbatim、会議やインタビューの内容を読みやすくまとめたい場合はSmartが向いています。

Gemini 3.5 TranscribeとNottaを比較

Gemini 3.5 TranscribeとNottaは、どちらも音声を文字起こしできますが、向いている用途が異なります。

Gemini 3.5 TranscribeはAPIを活用した音声認識向け、Nottaは一般ユーザーが手軽に使える文字起こしサービスです。

機能・使いやすさを比較

主な違いは以下のとおりです。

比較項目	Gemini 3.5 Transcribe	Notta
主な用途	音声認識・文字起こしAPI	文字起こしサービス
音声ファイル	○	○
リアルタイム文字起こし	○	○
話者識別	最大8人※	○
AI要約	文字起こし専用モデルにはなし	○
Web会議連携	基本的に開発が必要	Zoom・Meet・Teams・Webex
カスタム語彙	最大1,000語	3語〜無制限※プランによる
操作のしやすさ	API利用が中心	Web・アプリから利用可能

※Geminiは3人以上の話者識別が試験運用版です。

Gemini 3.5 Transcribeは、文字起こし機能を自社サービスに組み込んだり、細かくカスタマイズしたりしたい場合に向いています。

一方、Nottaは音声ファイルをアップロードするだけで文字起こしでき、Web会議の録音やAI要約までまとめて行えるのが特徴です。

Nottaで日本語音声を実際に文字起こしした結果

今回は、固有名詞や英語、数字、フィラー、言い直しを含む日本語音声をNottaで実際に文字起こししました。

主な結果は以下のとおりです。

元の言葉	Nottaの結果
PCヘルプラボ	PCLAB
Klang	Run
iFLYTEK AINOTE	ライフライテック、AIノート
9月2日の午後2時	九月二日の午後二時
9月3日の午後3時	九月三日の午後三時
確認する予定です	応援する予定です