Gemini 3.5 Transcribe公開、85言語対応とEC活用3論点

齋藤竹紘2026年8月27日2026年8月27日AIニュース

Googleが85言語対応の音声文字起こしモデルを公開しました。

Googleは2026年8月26日（米国時間）、音声文字起こしモデル「Gemini 3.5 Transcribe」を公開しました。単語誤り率（WER）はストリーミングで4.0パーセント、録音済み音声で2.6パーセント。従来モデルのChirp 3と比べて最終テキスト確定までの時間が70パーセント短縮されたと説明されています。注目したいのは精度そのものより、郵便番号や注文IDのような英数字混在の情報を取りこぼしにくくなった点です。ここはEC事業者の電話対応・受注業務に直結します。本記事は、EC支援19年・5,000社超の実績を持ち、AI導入支援は2023年から提供する株式会社オルセル（うるチカラ運営）が解説します。

Gemini 3.5 Transcribeで何が変わったのか

結論として、今回の変更点は「聞き取り精度」ではなく「そのまま業務で使えるテキストになるか」です。Googleの公式発表によると、Gemini 3.5 Transcribeは「えー」「あのー」といったフィラーを除去し、言い直しを解釈して整形済みのテキストを直接出力します。たとえば「火曜に会いましょう、いや水曜で」と話した場合、水曜を意図として拾います。従来は文字起こしの後に人手で整える工程が必要でしたが、その工程の一部が不要になります。

数字面では、Artificial Analysisの測定でストリーミング4.0パーセント、非ストリーミング2.6パーセントのWERを記録。多言語ベンチマークのFLEURSではストリーミング5.50パーセント、非ストリーミング5.04パーセントで、いずれもChirp 3を上回ったとしています。85言語以上を自動検出し、地域なまりや方言も扱えるとされています。ただし日本語単体のWERは公開情報に明記されていないため、日本語での実効精度は要確認です。

提供形態は2系統に分かれます。リアルタイム用途はLive API経由のgemini-3.5-transcribe-liveで、1秒未満の遅延で双方向ストリーミングに対応します。録音済み音声はInteractions API経由のgemini-3.5-transcribeで、単語単位のタイムスタンプと最大3話者の話者分離が付きます（4話者以上は実験的扱い）。開発者はGoogle AI Studioからパブリックプレビューで試せます。

日本のEC事業者にとっての3つの論点

第一に、電話問い合わせのログ化の質が上がります。今回Googleは、ノイズのある実環境でも郵便番号や注文IDのような英数字を正確に拾えると明記しています。EC運営で文字起こしが実務に乗らなかった最大の理由が、まさにこの「注文番号の桁を間違える」問題でした。加えてカスタム語彙の登録に対応するため、自社の商品名・型番・ブランド名をあらかじめ渡して精度を上げられます。既存の文字起こし運用がある店舗は、GPT Transcribeで電話問い合わせをログ化する記事で整理したコスト計算に、今回のモデルを1候補として並べて比較するのが現実的です。

第二に、越境ECの一次対応です。85言語の自動検出は、海外バイヤーとの商談録音や多言語の音声問い合わせを、言語指定なしで処理できることを意味します。すでに音声翻訳側ではGemini 3.5 Live Translateの越境EC活用を取り上げましたが、今回の文字起こしモデルは「翻訳」ではなく「記録と分析」の側を担います。商談の内容を検索可能なテキストとして残せると、担当者が変わっても交渉履歴が引き継げます。

第三に、Chrome対応が入力業務に効く可能性です。Googleは「近日提供」として、Chrome上のあらゆるテキスト入力欄で音声入力できるようにすると述べています。楽天RMSやAmazonセラーセントラルの管理画面はブラウザで動くため、商品説明や社内メモの入力を音声で済ませられる余地が出てきます。ただし特定のEC管理画面での動作についてGoogleは何も言及していないため、実際に使えるかは提供開始後の検証が必要です。

明日から着手できる初動アクション

まずGoogle AI Studioで、自社の実際の通話録音を10本ほど投げてWERを自分の耳で確かめてください。ベンチマークの2.6パーセントは英語中心の一般音声での数字であり、日本語の商品名や業界用語が混ざる自社音声でそのまま再現される保証はありません。次にカスタム語彙へ自社の型番・ブランド名・よく出る住所表記を登録し、登録前後で差が出るかを比較します。

続いて、通話録音を外部AIに渡す際の個人情報の扱いを先に整えてください。顧客の音声は個人情報であり、委託先としてGoogleを利用する旨をプライバシーポリシーに反映しているか、通話冒頭の録音告知が現状の運用と合っているかを確認する必要があります。ここを飛ばして先に検証を始めると、後戻りが発生します。

最後にコスト比較です。人手で議事録を作っている工数、既存の文字起こしサービスの月額、そしてGemini APIの従量課金を同じ物差しに置いて、月あたりの通話本数で損益分岐を出しておくと導入判断が早くなります。

まとめ

Gemini 3.5 Transcribeの要点は、WER 2.6パーセントという数字よりも、注文IDや郵便番号を取りこぼしにくくなり、フィラー除去と整形まで済んだテキストが出てくることです。日本のEC事業者にとっては、電話対応のログ化、越境商談の記録、そしてChrome経由の音声入力という3つの入口があります。まずは自社音声での実測と個人情報の扱いの整理から始めるのが、遠回りに見えて最短の進め方です。

参考文献

※うるチカラでは、生成AIの導入支援から運用最適化まで、貴社のEC事業に合わせたカスタマイズ提案を行っています。無料相談（30分）も実施中ですので、お気軽にお問い合わせください。
https://uruchikara.jp/contact/

引用元: Google公式ブログ

【監修】齋藤竹紘（株式会社オルセル代表 / 19年・5,000社のEC支援実績）

齋藤竹紘

株式会社オルセル代表取締役 / うるチカラ編集長。19年・5,000社以上のEC支援実績を持ち、楽天市場・Amazon・Yahoo!ショッピング・Shopify・Shopee越境ECの実装ノウハウを保有。AI×ECに関する書籍を3冊執筆。「現場で使えるAI実装」を一次情報として発信しています。

投稿者: 齋藤竹紘

株式会社オルセル代表取締役 / うるチカラ編集長。19年・5,000社以上のEC支援実績を持ち、楽天市場・Amazon・Yahoo!ショッピング・Shopify・Shopee越境ECの実装ノウハウを保有。AI×ECに関する書籍を3冊執筆。「現場で使えるAI実装」を一次情報として発信しています。齋藤竹紘のすべての投稿を表示