GoogleがGemini 3.5を発表、AI音声テキスト変換がChromeへ

現地時間8月26日、テクノロジーメディアのArs Technicaが報じたところによると、GoogleはAI音声テキスト変換技術の最新世代となる「Gemini 3.5 Transcribe」を正式に発表した。同モデルはGboardキーボードのRambler機能に限定されることなく、システムレベルの機能として複数のGoogle製品へ開放される。その最初の受益者がChromeブラウザである。この動きは、GoogleがAI音声インタラクションをモバイル端末からデスクトップのウェブ環境へと拡張しようとしていることを示している。

RamblerからシステムレベルサービスへGeminiをデプロイ

2025年には早くも、GoogleはGboard内でRambler音声エンジンを静かにリリースしており、端末側のGeminiモデルを活用して低遅延のリアルタイム文字起こしを実現していた。しかし当時のRamblerは実験的な機能に近く、Android/iOSのテキスト入力シナリオにのみ対応していた。今回のGemini 3.5 Transcribeでは、その機能をクロスプラットフォームの統合サービスとして抽象化し、Chrome・Google Docs・Meetなどのアプリから直接呼び出せるようにしている。Ars TechnicaはGoogleのプロダクトディレクターであるEvan Matthews氏の言葉を引用している。「音声変換はキーボードに閉じ込められるべきではない。ブラウザのネイティブなインタラクションの一部となるべきだ。」

「私たちは、あらゆるインターフェースが"人の言葉を理解できる"時代へと突入しようとしている。」——Googleプロダクトディレクター Evan Matthews

技術的進化：端末とクラウドの融合および文脈記憶

Gemini 3.5 Transcribeの最大の技術的ブレークスルーは、「端末とクラウドが協調する文脈認識型文字起こし」にある。前世代が音響モデルのみに依存していたのとは異なり、新バージョンはマルチモーダルな意味記憶モジュールを統合しており、文字起こしの際にユーザーの現在の閲覧コンテンツ・過去のインタラクション履歴・ウェブページ上のグラフ情報などを組み合わせることで、同音異義語の誤り率を大幅に低減する。Googleの内部テストによると、騒音環境における単語誤り率（WER）は前世代比で約42%低下し、専門分野の用語が登場するシナリオでの改善が特に顕著だという。

また、同モデルはデフォルトで「プライバシー優先モード」が有効化されており、音声データはローカルのニューラルプロセッシングユニット（NPU）上で完全に処理することが選択可能で、ユーザーが明示的に許可した場合にのみクラウド強化モデルが有効となる。これは、Chromeブラウザにおける会議の議事録作成やリアルタイム字幕生成などの機能にとって極めて重要な仕組みだ。

インパクト：ブラウザウィンドウが音声入力の入口へ

Gemini 3.5 TranscribeをChromeへ統合することは、Googleが音声テキスト変換機能をOSの「フロントエンド」に直接組み込むことを意味する。ユーザーはウェブページの検索ボックスに向かって話しかけてコンテンツを自動入力でき、ビデオ会議でリアルタイムのバイリンガル字幕を生成し、さらに「1000円以下の黒い靴を絞り込んで」といった自然言語でウェブページのフォームを直接操作することも可能になる。この機能はChrome 138において実験的フラグ付きで最初に導入される見込みだ。

業界アナリストの見方によれば、GoogleのこのアプローチはOpenAIのWhisper APIやMicrosoftのAzure Speechへの対抗を意図したものだが、Googleの強みは「端末とクラウドが一体化した」Android/Chromeエコシステムのカバレッジにある。音声テキスト変換がブラウザのデフォルト機能となれば、サードパーティのウェブサイトはSDKを統合することなく、標準化されたWeb Speech APIを通じてその機能を利用できるようになる。

編集後記：音声は万能か？見過ごせない三つの懸念

Gemini 3.5 Transcribeは期待を抱かせるものの、避けては通れない課題も存在する。第一に、プライバシーの境界の問題：端末側での処理を採用していても、ブラウザ上の音声データはウェブサイトがJavaScriptを通じて間接的に取得できる可能性があり、Googleが悪意ある呼び出しをどのようにブロックするかはまだ明確ではない。第二に、消費電力の問題：一般的なノートPCで端末側の大規模モデルを継続稼働させる電力消費は従来の音声エンジンをはるかに上回り、バッテリー持続時間と発熱がユーザーの不満の的となりうる。第三に、標準の断片化：GoogleがこをChromeに囲い込む形で展開することで、Firefox/Safariとのエコシステム格差が拡大し、Web標準の統一にとって不利に働く可能性がある。

総じてみると、Gemini 3.5 TranscribeはGoogleがAI音声インタラクション分野において積極的に戦略的ポジションを確保しようとした動きといえる。「話す」ことを「タイプする」よりも自然にウェブへ溶け込ませるものだが、それが普遍的なパラダイムとなり得るかどうかは、プライバシー・消費電力・オープン性のバランスにかかっている。

本記事はArs Technicaより編訳