Google は今週、48 時間以内に 2 つの重要な Gemini モデル アップデートを密かに出荷しました。どちらも、実稼働アプリケーションを構築する開発者を真の目的としています。 Googleの公式ブログによると、8月26日に導入されたGemini 3.5 Transcribeは、同社のこれまでで最も正確な音声テキスト変換モデルだという。 8 月 27 日に発表された Gemini Omni 1.1 Flash は、最大 40 秒のシーン延長や 4K アップスケーリングなど、プロレベルのコントロールを生成ビデオにもたらします。どちらのモデルも、Google AI Studio の Gemini API および Gemini Enterprise Agent Platform を通じて利用できます。

Gemini 3.5 Transcribe: 自動的にクリーンアップされる音声テキスト変換 この件の詳細は、AIニュースをご覧ください。

Google によると、Gemini 3.5 Transcribe が従来の音声認識と異なるのは、生の音声を生のトランスクリプトではなく、洗練されたフォーマットされたテキストに直接変換することです。このモデルは、バックグラウンド ノイズ、複雑な専門用語、流暢さのクリーンアップをネイティブに処理します。つまり、「えーっと」や「あのー」などのつなぎ言葉が削除され、「火曜日に会いましょう - いいえ、水曜日です」などの自己修正が解決され、出力が自動フォーマットされます。

Googleが挙げたベンチマークの数値は注目に値する。 Artificial Analysis で測定したところ、このモデルはストリーミング ユースケースで 4.0 パーセント、非ストリーミング オーディオで 2.6 パーセントの平均単語誤り率 (WER) を達成しました。トップ言語にわたる FLEURS 多言語ベンチマークでは、ストリーミング モードで 5.50 パーセント、非ストリーミング モードで 5.04 パーセントの WER を記録し、Google の以前の文字起こしモデルである Chirp 3 よりも向上しています。これも人工分析で測定したところ、最終的な文字起こしまでの時間は Chirp 3 と比較して 70 パーセント改善されました。

このモデルは、2 つのワークフローに対応する 2 つのバリエーションで出荷されます。ライブ アプリケーションの場合、「gemini-3.5-transcribe-live」は、Live API を介して 1 秒未満の遅延で継続的な双方向ストリーミングを提供し、音声エージェントとリアルタイム キャプションをターゲットにします。録音された音声 (会議、通話記録、アーカイブ) については、「gemini-3.5-transcribe」は、インタラクション API を介して、最大 3 人の話者の話者属性 (実験モードではさらに多くの話者をサポート) と単語レベルのタイムスタンプを提供します。

その他の機能には、アクセントと方言の処理による 85 を超える言語の自動検出と転写、およびモデルが専門用語や独特のスペルに適応するためのカスタム語彙サポートが含まれます。 Google はまた、モデルにある種の目を与えました。関数呼び出しを通じて、画像生成やファイル分析などのタスクを他の Gemini モデルに委任できます。この機能は、現在 macOS 上の Gemini アプリで利用可能です。

Gemini Omni 1.1 Flash: ビデオ生成によりタイムラインが拡大

2 回目のリリースでは、AI ビデオに関する最も一般的な不満、つまり制御に対処します。 Gemini Omni 1.1 Flash は、以前のバージョンでは実現できなかった方法で生成ビデオの操作を可能にする、プロダクションに焦点を当てたアップデートであり、Google DeepMind プロダクト マネージャーの Anish Nangia 氏と Alisa Fortin 氏は、このリリースにより Omni 1.1 が「プロの使用に向けたプロダクション対応」になったと説明しています。

シーン拡張は見出し機能です。開発者は、モデルが最大 10 秒間の以前のコンテキストを分析することで、既存のクリップからシームレスにフッテージを生成し続けることができるようになりました。これは、最後の 1 秒だけを参照していた以前のモデルからの飛躍です。ビデオは 10 秒単位で累積長さ 40 秒まで延長できるため、長いストーリーの視覚的な一貫性と物語の一貫性が向上します。

このアップデートでは、最初と最後のフレーム補間も追加され、開発者が開始フレームと終了フレームを指定して、滑らかで意図的なカメラの動きやショット間のトランジションを作成できるようになります。完成したプロジェクトは配信の際に 4K 解像度にアップスケールでき、また 360p プレビュー モードにより、クリエイターは最終的なレンダリングに着手する前にプロンプ​​トを迅速かつ低コストで繰り返すことができます。

API から日常のサーフェスまで

Google はまた、両方のモデルを自社の消費者向け製品に組み込んでおり、そこに同社の流通上の利点が現れています。 Android では、Gboard の新しい「Rambler」機能は 3.5 Transcribe を使用して、話された考えを整形式のテキストに変換し、つなぎ言葉をフィルタリングします。ユーザーは音声で編集することもできます。このモデルは、macOS 上の Gemini アプリでのディクテーションも強化し、Google Antigravity の画面コンテキストと並行して動作し、Chrome に統合されています。

開発者にとって、この 2 つの発表は 1 つの戦略であると考えられます。Google は、Gemini を、会話するチャットボットから、メディアを見て、聞いて、生成するインフラストラクチャに押し上げようとしているのです。 OpenAI、イレブンラボ、そしてビデオスタートアップ企業が同じ領域で競争している中、2.6パーセントの単語エラー率と40秒の一貫したシーンが、実際に収益を生み出す制作ワークロード（音声エージェント、キャプションパイプライン、クリエイティブツール）に対するGoogleの初値である。開発者は、Google AI Studio で両方のモデルを使用した構築を今すぐ開始できます。

単語の誤り率が依然として重要な理由

ワードエラー率というと学術的な統計のように聞こえますが、本番環境では、音声製品がうまく機能するか、失敗するかの違いになります。音声エージェントの誤解された発話はすべてタスクを中断させます。注文 ID の聞き間違いにより検索の失敗が引き起こされ、住所の文字化けにより荷物が間違った都市に送信されます。そのため、非ストリーミング オーディオでの 2.6 パーセントの WER と、一世代前のモデルで一般的だった 1 桁後半のレートとの間のギャップが、使いやすさにおいて桁違いの違いとなって現れます。

Google が報告した 2 つのモードの区別は、建築家にとっても重要です。ストリーミング文字起こし (4.0 パーセントの WER という数字) は、ある程度の精度と引き換えに 1 秒未満の遅延を実現します。これは、生の音声エージェントなどの対話型のユースケースで必要となります。録音された音声のバッチ文字起こしの実行速度は遅くなりますが、2.6% に達します。そのため、通話後の分析とアーカイブ処理の要求がさらに厳しくなる可能性があります。両方を 1 つの調整可能な設定ではなく、別個のモデル エンドポイントとして公開するという Google の決定は、開発者がそのトレードオフのどちらかの側で異なる製品を構築することを認めています。

ビデオ制作のための段階的なワークフロー

Omni 1.1 Flash アップデートは、クリエイティブな作業が実際にどのように行われるかについても同様に実用的です。生成ビデオは反復処理にコストがかかりました。すべてのプロンプト実験は完全なレンダリングを意味しました。新しい 360p プレビュー モードでは、探索と配信が分離され、クリエイターは迅速なバリエーションを安価に循環でき、レビューに残ったショットの 4K アップスケーリングの料金のみを支払うことができます。

シーン拡張メカニズムは、AI ビデオをクリップサイズのゲットーに閉じ込めてきた一貫性の問題に対処します。最終フレームのみではなく、10 秒間の前のコンテキストを分析することで、モデルは、キャラクター、照明、ビジュアル スタイルの一貫性を保ちながら、シーンを 10 秒単位で最大 40 秒まで延長できます。最初と最後のフレーム補間 (編集者に決定的な制御ポイント、従来の編集におけるマーカーの出入り方法を提供) と組み合わせることで、AI で生成された映像は、大規模に置き換えられるのではなく、実際のポストプロダクション パイプラインに適合し始めます。

競争力のある画像

どちらのローンチも、Google を目的地ではなくインフラストラクチャとして位置づけています。音声に関しては、Google は開発者がすでに使用している Gemini API に最先端の精度をバンドルすることで、専門の文字起こしベンダーやクラウドライバルの音声スタックに対抗しようとしています。ビデオ分野では、生々しいスペクタクルよりも制御とワークフローの統合を重視することで、資金豊富な新興企業がひしめく市場で競争している。

流通上の利点が決定要因となる可能性があります。開発者が Gemini API から呼び出すことができる同じ文字起こしモデルは、すでに Android 上の Gboard の Rambler ディクテーション、macOS 上の Gemini アプリ、Google Antigravity、Chrome を強化しています。つまり、Google は、モデル開発を改善し続ける多様な現実世界の音声を収集しながら、何十億ものユーザー インタラクションにわたってモデル開発を償却できることになります。 2026 年に音声スタックまたはビデオ スタックを選択する開発者にとって、そのフライホイールはピッチの一部になります。

---

AIの最新情報をお届け

AIの最新ニュース、分析、ブレイクスルーを一箇所で。

AIニュースをもっと読む →