Google AI が Gemini 3.5 Transcribe をリリース: 85 以上の言語で平均 2.6% の WER を報告する Speech-to-Text モデル

Google は、1 つではなく 2 つの別個のエンドポイントとして出荷される音声テキスト変換モデルである Gemini 3.5 Transcribe をリリースしました。ストリーミング エンドポイントは 1 秒未満の文字起こしを提供しますが、話者のダイアライゼーションと単語の時間は低下します。

概要は情報提供のみを目的としてまとめられています。全文についてはソース リンクを参照してください。デモのエントリは一例です。