Gemini 3.5 Transcribeとは？
Gemini 3.5 TranscribeとGemini 3.5 Transcribe Liveは2026年8月26日に一般提供が始まりました。Geminiの音声理解をもとにした音声認識専用のモデルで、汎用のGeminiチャットモデルとは別物です。課金は分単位ではなく、音声とテキストのトーク ン単位です。
ファイル用モデルは1リクエストあたり最大1時間の音声を受け付けます。話者分離か単語タイムスタンプを有効にすると30分です。文の途中での切り替えを含めて85以上の言語を検出し、最大8人の話者を区別し、単語単位のタイムスタンプを付け、「Smart」モードではフィラーを取り除き、最大1,000語のカスタム語彙を受け付けます。Liveモデルは中間結果と確定結果をWebSocketでストリーミングし、セッションは最大10分ですが、話者分離とタイムスタンプには対応しません。
Gemini 3.5 Transcribeの料金は？
| プラン | 価格 | 内容 |
|---|---|---|
| Transcribe | About $0.005 per minute | 100万トークンあたり入力$2 / 出力$12 |
| Transcribe Live | About $0.009 per minute | 100万トークンあたり$3.50 / $21 |
Transcribeは1分あたり約$0.005（100万トークンあたり入力$2 / 出力$12）、Transcribe Liveは1分あたり約$0.009（$3.50 / $21）。AI StudioとAPIに無料枠があります。
Gemini 3.5 Transcribeは使う価値があるか？
Gemini 3.5 Transcribeは良いモデルですが、市場は急 速にその先へ進みました。Artificial Analysisの測定ではAA-WERは2.6%で、非ストリーミングの表で62モデル中9位、1,000分あたり$5、実時間の約89倍の速さです。MicrosoftのMAI-Transcribe-2は2.0%とより正確で$1.67、ElevenLabs Scribe v2は2.2%で$3.67です。一方、OpenAIのGPT Transcribe（3.3%）とDeepgram Nova-3（5.2%）はこれに及びません。
機能は幅広いものの、オプション同士がぶつかります。Google自身のモデルページによれば、単語タイムスタンプは精度を下げ、カスタム語彙は話者分離ともタイムスタンプとも併用できず、3人以上の話者の区別は実験的です。話者名、タイムスタンプ、顧客の製品名を求める議事録製品は、3つのうち2つを選ぶか、音声を2回送る必要があります。
価格はシンプルで安定しています。Googleの見積もりである音声1秒あたり25トークン、テキスト1分あたり175トークンで計算すると、ファイル用モデルは1分あたり約0.5セント、Liveは約0.9セントです。ただし、どちらもGeminiのチャットモデルにあるBatchやFlexの割引に対応しないため、量が増えても安くなりません。無料枠は手厚く、Googleの規約では無料枠で送ったコンテンツはGoogleの製品改善に使われます。有料枠のコンテンツは使われません。
最も強い論拠は一本化です。すでにGoogle Cloud経由でGeminiの料金を払っているチームは、ファイルとストリーミングの文字起こしを1つのキー、1つのデータ契約、1つの請求書で扱え、85以上の言語のコードスイッチングを発話ごとに検出できます。1ドルあたりの精度で選ぶ純粋な文字起こし用途なら、今の基準はMAI-Transcribe-2です。
真価を発揮する場面
すでにGoogle Cloudを使う200席のコンタクトセンター
品質管理とコンプライアンス検索のために全通話を文字起こししたい
録音を話者分離を有効にしてファイル用モデルに送り、1件を30分未満に収めます。月500,000分なら有料枠で約$2,500です。Artificial Analysisの1,000分あたり$1.67のMAI-Transcribe-2なら約$835です。
メモアプリに音声入力を組み込むモバイルエンジニア
ユーザーが話すのに合わせてライブ字幕を表示したい
100 msの音声チャンクをWebSocketでTranscribe Liveにストリーミングし、中間結果を表示して確定結果に差し替えます。セッションは10分で終わるため、長い口述には再接続の処理が必要です。コストは1分あたり約0.9セントです。
多言語市場のリーガルテック製品のプロダクトマネージャー
英語とヒンディー語を行き来する顧客インタビューを文字起こししたい
発話単位の言語検出により、言語の指定なしで切り替えに対応できます。事務所名や製品名にはカスタム語彙が必要で、その処理では話者分離とタイムスタンプを切る必要があります。
導入前に確認すること
- 導入
- AI StudioでGemini APIキーを取得し、Files APIで音声をアップロードしてgemini-3.5-transcribeを呼び出します。ドキュメントにはPython、JavaScript、Go、RESTのサンプルがあります。
- 連携
- Gemini APIとGoogle GenAI SDKに対応します。LiveでのトランスクリプションはLive APIのWebSocket経由で、音声区間検出を設定できます。キャッシュ、Batch、Flex、関数呼び出しには対応していません。
- データとプライバシー
- 無料枠ではGoogleがコンテンツを製品改善に使う場合があり、有料枠では使いません。EEA、スイス、英国のユーザーに提供するアプリは有料サービスを使う必要があります。
- 大規模利用時のコスト
- ファイルは1,000分あたり約$5、Liveは$9で、量や一括処理による割引はありません。Artificial AnalysisはScribe v2を1,000分あたり$3.67、MAI-Transcribe-2を$1.67としています。
- 制限
- ファイルのリクエストは1件あたり1時間（話者分離かタイムスタンプを使う場合は30分）、Liveのセッションは10分です。話者は 最大8人で、3人以上は実験的です。カスタム語彙は話者分離やタイムスタンプと併用できません。
良い点
- AA-WER 2.6%で1,000分あたり約$5
- ファイル用とWebSocketストリーミング用のモデルを1つのAPIで
- 文の途中のコードスイッチングを含め85以上の言語に対応
- 最大1,000語のカスタム語彙
気になる点
- カスタム語彙を話者分離やタイムスタンプと併用できない
- MAI-Transcribe-2とScribe v2のほうが正確で安い
- BatchやFlexの割引がない
- Liveのセッションは10分までで、話者分離なし
おすすめの人
すでにGemini APIを使っていて、ファイルとストリーミングの文字起こしを1つのベンダーから1分あたり約0.5セントで使いたいチームに向いています。
Gemini 3.5 Transcribeの代替
Gemini 3.5 Transcribe：よくある質問
- Gemini 3.5 Transcribeは使う価値があるか？
- ほとんどの文字起こしには十分な精度と安さですが、もはや精度でも価格でも当然の選択ではありません。 評価は5点満点中4.2点です。
- Gemini 3.5 Transcribeの料金は？
- Transcribeは1分あたり約$0.005（100万トークンあたり入力$2 / 出力$12）、Transcribe Liveは1分あたり約$0.009（$3.50 / $21）。AI StudioとAPIに無料枠があります。
- Gemini 3.5 Transcribeの欠点は？
- カスタム語彙を話者分離やタイムスタンプと併用できない; MAI-Transcribe-2とScribe v2のほうが正確で安い; BatchやFlexの割引がない; Liveのセッションは10分までで、話者分離なし.
- Gemini 3.5 Transcribeは誰に向いているか？
- すでにGemini APIを使っていて、ファイルとストリーミングの文字起こしを1つのベンダーから1分あたり約0.5セントで使いたいチームに向いています。
- チームや本番環境でGemini 3.5 Transcribeを使うと費用はいくらか？
- ファイルは1,000分あたり約$5、Liveは$9で、量や一括処理による割引はありません。Artificial AnalysisはScribe v2を1,000分あたり$3.67、MAI-Transcribe-2を$1.67としています。
- Gemini 3.5 Transcribeは企業データを扱っても安全か？
- 無料枠ではGoogleがコンテンツを製品改善に使う場合があり、有料枠では使いません。EEA、スイス、英国のユーザーに提供するアプリは有料サービスを使う必要があります。
- Gemini 3.5 Transcribeの代わりになるものは？
- 当サイトでレビューした中で最も近い代替はElevenLabs Scribe v2, GPT Transcribe 、 Deepgram Nova-3です。
回答確認日：2026年10月26日