AIモデル・生成AIの選び方
Gemini 3.5 Transcribeで会議音声を文字起こしする手順
公開日 ・更新日
音声を文字にするだけでは、議事録は完成しません。誰の発言か、専門用語は正しいか、どこまで共有するかを決めて初めて、次の仕事へ渡せます。
Google公式ブログは2026年8月26日、Gemini 3.5 Transcribeを発表しました。音声を整ったテキストへ変換するモデルで、リアルタイムのストリーミングと録音済み音声の処理に対応します。録音済み音声では、発言者の区別と単語単位のタイムスタンプも扱えると説明されています。
用途でリアルタイムと録音済みを分ける
会話中の字幕や音声エージェントなら、連続してやり取りできるリアルタイム処理を使います。会議や通話ログをあとから整理するなら、録音済み音声を処理する流れが合います。
Googleは二つのAPIを案内しています。リアルタイム処理はLive APIの gemini-3.5-transcribe-live、録音済み音声はInteractions APIの gemini-3.5-transcribeです。
会議後の議事録づくりでは、録音を処理したあとに人が確認する工程を残します。リアルタイムの速さを優先するのか、記録の正確さを確認してから共有するのか。用途を先に決めると、機能の比較で迷いません。
専門用語と発言者を先にそろえる
Gemini 3.5 Transcribeは、言い直しを整理し、フィラー語を取り除きます。自動的な書式化と、指定したカスタム語彙への対応も説明されています。顧客名、商品名、型番など、間違えると業務が止まる言葉を先に一覧にします。
録音の冒頭で参加者が名前を名乗る、話す順番を決めるなど、音声側の準備も効きます。公式説明では、録音済み音声の発言者識別は3人までで、3人を超える対応は実験的です。大人数の会議では、識別結果をそのまま人名として確定しません。
文字起こしを共有用メモへ整える
出力は議事録の素材です。まず「決定」「担当」「期限」を抜き出し、元音声のタイムスタンプを残します。次に、顧客情報や社内の機密が含まれていないかを確認し、共有用のDocsへ必要な要点だけを書きます。
共有先は参加者全員ではなく、次の作業に必要な人を基本にします。元の音声と全文テキストを保管し、確認済みの要点だけを渡す。これで、記録を残しながら読む量を抑えられます。音声を集める前に、録音への同意と保存期間も決めておきます。
AIの文字起こしを業務へ入れるときは、変換精度だけを見ません。用途、専門用語、確認者、共有範囲を先に決めます。まずは社内の短い会議一つで、録音から共有用メモまでの流れを記録してみます。
出典（公式）：Google「Intelligent transcription with Gemini 3.5 Transcribe」 https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-5-transcribe/
会議や通話の音声を安全に業務メモへつなぎ、確認と共有のルールまで整えたい方は、COZITOへご相談ください。
出典・参考資料
関連記事
著者: 松井 勇樹