会議が終わったあと、録音を再生しながらメモを打ち直す。あの時間ほど、もったいないものはありません。音声入力を一度試した方なら、やめた理由も似ているはずです。「えーと」「あの」がそのまま残る。言い直した部分が二重に並ぶ。句読点がない。直す時間のほうが長くなって、結局キーボードに戻る。「便利そうだけど、うちの仕事にはまだ早い」。そこで止まったままの会社は、けっこう多いです。
Googleが2026年8月26日に発表したGemini 3.5 Transcribeは、その「直す時間」のほうを削りにきたモデルです。ただ、発表を読むときにひとつだけ注意点があります。日本語に対応していることと、日本にいる自分が今日から使えることは、別の話。ここを分けずに読むと、社内展開の予定が丸ごとずれます。
この記事を読むとわかること
- check_circleGemini 3.5 Transcribeで何が発表され、従来の文字起こしと何が違うのか
- check_circle「日本語対応」と「日本国内提供」を分けて読む理由
- check_circleAndroid、Pixel、macOS、Chrome、iOS、API、Enterpriseの端末別対応状況
- check_circle会議メモ・商談・問い合わせ対応で、どこまで任せてどこを人が見るか
向き：会議メモ、商談録音、問い合わせ対応の記録に時間を取られている中小企業の経営者・担当者。音声入力の導入可否を判断したい方。
向かない：今日から日本語で全端末に導入できる手順書を探している方。この記事では、公式発表で確認できる範囲と、確認できない範囲を分けて扱います。
発表の中身は「聞き取り精度」より「整形」の話
Gemini 3.5 Transcribeは、音声を文字に変えるだけのモデルではありません。公式発表が前に出しているのは、その先です。「えーと」のようなつなぎ言葉、言い直し、途中でやめた言いかけ。それらを落として、読める文章の形に整えます。「火曜日、いや水曜日で」と言い直せば、話し手が最後に決めたほうを採る。数字の表記も、話し言葉から書き言葉の形へ直します。
| 項目 | 公式・報道で確認できる数字 |
|---|---|
| 発表日 | 2026年8月26日（Google公式ブログ） |
| 対応ロケール | 85以上。話している言語の自動判定、言語の切り替わりにも対応 |
| カスタム語彙 | 最大1,000フレーズを登録できる |
| 単語誤り率（公式発表） | 平均4.0%（ストリーミング）／2.6%（非ストリーミング）※Artificial Analysis測定 |
| 単語誤り率（報道） | 5.50%（ストリーミング）／5.04%（非ストリーミング）※FLEURSでの数値 |
精度の数字が2種類あるのは、測り方が違うからです。どちらが正しいという話ではありません。測定条件が変われば数字も変わる、という前提で眺めるくらいがちょうどいい。導入を決める材料としては、公表値よりも「自社の録音を1本流してみて、手直しがどれだけ残ったか」。そちらのほうがよほど正直です。
「日本語に対応」と「日本で使える」は分けて読む
ここが今回いちばん誤解を生みやすいところです。日本語対応そのものは確認できます。開発者向けのGemini APIドキュメントには、サポート言語としてJapanese（ja-JP）が載っています。Google DeepMindのページでも主要言語の例に日本語が挙がっていますし、GboardのRamblerヘルプでも対応言語に含まれています。
一方で、提供範囲の書き方は慎重です。公式発表はAndroidのRamblerについて「一部の国と言語で」と説明しています。日本国内の一般ユーザーが今すぐ使える、とは書かれていません。
| 読み分ける軸 | 現時点で確認できること | 確認できていないこと |
|---|---|---|
| 言語 | 日本語（ja-JP）はサポート言語に含まれる | 機能ごとに日本語がどこまで揃うか |
| 提供国 | 一部の国と言語での提供と明記 | 日本が対象に含まれるか、時期はいつか |
| 端末 | Gboardヘルプに端末やアプリ版数の前提あり | 手元の端末で表示されるかは実機確認が必要 |
実務ではこう考えると迷いません。言語対応は「将来使える見込み」の材料、提供範囲は「今日使えるか」の材料です。社内展開を決める前に、まず1台で表示されるかどうかを確かめる。この順番を守るだけで、動かない前提の運用ルールを作ってしまう事故を避けられます。
端末・入口ごとに「今試せる／待つ／開発者向け」を整理する
同じGemini 3.5 Transcribeでも、どこから触るかで話がまったく変わります。見出しだけを受け取って「使えるらしい」と社内に伝えると、あとで噛み合わなくなる。入口ごとに分けたのが、下の表です。
| 入口 | 現時点の状態 | 条件・注意 | 今どうするか |
|---|---|---|---|
| Android / Gboard Rambler | 一部の国・言語で提供 | 最新版のGboard、対応する国と言語が前提 | 条件が合えば今試せる |
| Pixel | GboardヘルプにPixel 11 seriesの前提 | すべてのAndroid端末とは書かれていない | 該当端末なら今試せる |
| macOS版Geminiアプリ | 利用可能 | 英語での提供と明記 | 英語なら今試せる |
| Chrome | 今後搭載予定（coming soon） | 時期は公表されていない | 待つ |
| iOS | 公式発表で確認できない | 未対応と決まったわけではなく、告知がない状態 | 待つ／断定しない |
| Gemini API / Google AI Studio | パブリックプレビュー | gemini-3.5-transcribe と gemini-3.5-transcribe-live | 開発者向けに試せる |
| Google Antigravity | パブリックプレビュー | 開発環境側の音声入力にも広がる | 開発者向けに試せる |
| Gemini Enterprise | Agent Platformでパブリックプレビュー | Customer Experience向けは今後提供 | 情シス・開発担当と要確認 |
表にすると、社内で説明しやすくなります。「スマホで使える人」「英語でなら使える人」「開発側で試せる人」「待つ人」が、同じ会社の中に同時にいる。全員へ一斉に配るのではなく、条件が合う人から先に触ってもらう。現実的なのは、この順番です。
仕事のどこに効くのか：会議、商談、問い合わせ、現場
中小企業でも、音声が絡む場面は思ったより多いです。会議のメモ、商談の振り返り、電話で聞いた要望、現場での気づき。どれも「話した内容は残っているのに、文字にする時間がない」で止まります。今回の発表で変わりそうなのは、文字にしたあとの整形の手間のほうです。
| 場面 | これまでかかっていた手間 | 減らせそうなところ | 人が必ず見る場所 |
|---|---|---|---|
| 会議メモ | 言い直しやつなぎ言葉の削除、句読点の追加 | 読める形への整形 | 決定事項、担当者、期限 |
| 商談の振り返り | 誰の発言かの整理、要点の抜き出し | 話者ラベル付きの文字起こし | 金額、条件、次回の約束 |
| 問い合わせ対応 | 通話内容の記録、履歴への転記 | 通話ログの文章化 | 顧客名、注文番号、対応の約束 |
| 現場メモ | 手が塞がっていて書けない | その場での音声入力 | 寸法、型番、安全に関わる指示 |
表の右端を用意したのには理由があります。整形がうまくなるほど、出てきた文章は「もう完成している」ように見えます。読みやすい文章ほど、間違いに気づきにくい。金額や固有名詞が1文字違っていても、文としては自然に読めてしまいます。議事録が完成するのではなく、議事録の下書きが早く手に入る。この理解で運用したほうが、あとで揉めません。
i-Styleでも、オンライン会議の記録は毎日AIに整形させて手元へ届く形にしています。それでも、金額と日付と固有名詞だけは目で追う。読みやすい文章になっているぶん、そこを飛ばすと気づけないからです。
最初の1つは「議事録」より「自分用メモ」から
社外に出る文書からいきなり始めると、確認の負担が大きくて続きません。まずは自分だけが読むメモ、次に社内共有のメモ、最後に社外に出る記録。この順で広げると、どこで手直しが必要かが自然に見えてきます。
開発で使うなら：録音向けとリアルタイム向けで、できることが違う
自社システムに組み込む場合は、モデルが2つに分かれている点が判断の分かれ目になります。録音済みの音声を処理するgemini-3.5-transcribeと、リアルタイム処理向けのgemini-3.5-transcribe-liveです。どちらもパブリックプレビューの段階で、Google AI StudioやGoogle Antigravityから試せます。
| できること | 録音処理（非ストリーミング） | リアルタイム（Live API） |
|---|---|---|
| 話者の区別 | 話者ラベルを付けられる | 話者の区別には対応しない |
| 時間の記録 | 単語ごとのタイムスタンプ | 発話単位のタイムスタンプのみ |
| 向いている用途 | 議事録、商談録音、通話ログの整理 | その場の字幕表示、音声での操作 |
ここは仕様として押さえておくと設計がぶれません。「誰が言ったか」と「何分何秒か」が必要な議事録は、録音してから処理する側です。リアルタイム側で同じものを作ろうとすると、あとから帳尻を合わせる作りになります。
カスタム語彙は先に埋めておく
最大1,000フレーズを登録できます。自社の商品名、取引先名、業界用語、社内の略称。ここを空にしたまま試して「精度が悪い」と判断してしまうのはもったいないです。よく出る固有名詞を30個ほど入れるだけでも、手直しの量は変わってきます。
試す前に決めておきたい、録音まわりの線引き
文字起こしが楽になると、録音する場面は自然に増えます。だからこそ、先に決めておきたいことがあります。技術よりも、こちらのほうが後で揉めます。
最初の1回の前に決めること
- check_circle録音することを、相手にどう伝えるか（商談・通話は特に）
- check_circle音声データと文字起こしを、どこに保存して、いつ消すか
- check_circle社外秘や個人情報を含む会話を、対象に含めるかどうか
- check_circle出てきた文章のうち、人が必ず確認する項目（金額・日付・固有名詞）
- check_circle誰が最終確認して、どこに残すか
5つとも、書き出せば10分で決まります。それでも決めないまま始めると、「あの録音どこ？」「これ、相手に言ってある？」が半年後に出てくる。地味な作業ですが、続くかどうかはここで決まります。
まとめ：使えるかどうかは、端末と入口で答えが変わる
今回の発表を一言でまとめると、音声入力が「話した通りに文字にする」段階から、「読める文章にして渡してくる」段階へ進んだ、という話です。ただし、それをいつどこで受け取れるかは、使っている端末と入口しだいで答えが変わります。
- check_circleGemini 3.5 Transcribeの中心は、フィラー除去・言い直しの整理・表記の整形
- check_circle日本語はサポート言語に含まれるが、日本国内での提供範囲は明示されていない
- check_circlemacOS版Geminiアプリは英語、Chromeは今後搭載予定で時期未公表、iOSは公式発表で確認できない
- check_circle話者の区別と単語ごとのタイムスタンプが必要なら、録音してから処理する側を選ぶ
- check_circle録音の同意、保存場所、人が確認する項目を先に決めてから試す
i-Styleでは、この種の発表を「全社導入の合図」ではなく「条件が合う人から試す合図」と捉えています。使える端末を持っている人が1人いれば十分です。自社の録音を流してみて、手直しがどれくらい残るかを測る。その1人分の記録が、半年後に全社で使えるようになったときの判断材料になります。冒頭の、録音を聞きながらメモを打ち直す時間。あれを取り戻す準備は、機能を待っている今のうちから始められます。
よくある質問
Gemini 3.5 Transcribeは日本語に対応していますか？
開発者向けのGemini APIドキュメントでは、サポート言語にJapanese（ja-JP）が含まれています。ただし、日本語に対応していることと、日本国内の一般ユーザーがすぐ使えることは別の話です。
日本のAndroid端末ですぐ使えますか？
公式発表ではAndroidのRamblerについて、一部の国と言語で提供と説明されています。日本国内で全員が使える状態かは明示されていません。Gboardのヘルプでは、Pixel 11 seriesや最新版Gboardなどの前提も挙げられています。
iPhoneやiPadでは使えますか？
現時点の公式発表や主要な海外記事では、iOS向けの提供について確認できていません。未対応と決まったわけではなく、発表がない状態です。今後の告知を待つ扱いにするのが安全です。
議事録づくりはこれで自動化できますか？
文字起こしと整形の手間はかなり減らせますが、決定事項、日付、金額、固有名詞は人が確認する前提で組むのが現実的です。録音の同意や保存場所のルールも先に決めておく必要があります。
参考リンク
- 参考: Introducing Gemini 3.5 Transcribe（Google Blog / 2026年8月26日）
- 参考: Gemini Audio – AI transcription（Google DeepMind）
- 参考: Gemini 3.5 Audio model card（Google DeepMind）
- 参考: Audio transcription（Gemini API docs）
- 参考: Live transcription（Gemini API docs）
- 参考: Rambler voice input on Gboard（Gboard Help）
- 参考: Google、音声文字起こしモデル「Gemini 3.5 Transcribe」を発表（窓の杜 / 2026年8月26日）
- 参考: Gemini 3.5 Transcribe（9to5Google / 2026年8月26日）
- 参考: Google announces Gemini 3.5 Transcribe for AI-powered speech-to-text（Ars Technica / 2026年8月26日）
- 参考: Google Gemini's latest transcription model can turn ramblings into structured text（Engadget / 2026年8月26日）
音声入力を業務に組み込むところから相談できます
i-Styleでは、音声入力や文字起こしを「試す」で終わらせず、会議メモ、商談記録、問い合わせ対応のどこに入れるか、どこを人が確認するかまで含めて設計する支援を行っています。
お問い合わせページへarrow_forward
