音声 Google
Gemini 3.5 Transcribe
Google の文字起こし専用モデル。85以上の言語を自動判別し、話者分離、単語単位のタイムスタンプ、カスタム語彙に対応する。
- 用途
- 音声
- 料金の目安
- 音声入力 $0.003 / 分 ＋ テキスト出力 $0.002 / 分 相当（Live 版は $0.005 ＋ $0.004 / 分）
- 1リクエストの長さ
- 最大1時間（話者分離・タイムスタンプ使用時は30分）
- 公開日
- —
スペックと料金
- 用途
- 音声
- 提供元
- 公開日
- —
- 入力と出力
- 音声→テキスト
- 料金の目安
- 音声入力 $0.003 / 分 ＋ テキスト出力 $0.002 / 分 相当（Live 版は $0.005 ＋ $0.004 / 分）
- 1リクエストの長さ
- 最大1時間（話者分離・タイムスタンプ使用時は30分）
- Live の1セッション
- 最大10分
- 話者分離
- 最大8人
- 重みの公開
- なし
- 使い方と料金
- Gemini API（Google AI Studio）、Gemini Enterprise Agent Platform。無料枠あり
- 得意なこと
- 日本語を含む多言語の会議録、専門用語を登録した文字起こし、リアルタイムの字幕
使える場所
仕様と料金は、公式ページ（2026年11月8日時点）にもとづきます。
詳しい説明
Google の音声認識（文字起こし）専用モデルです。ファイル用の gemini-3.5-transcribe と、Live API でストリーミングするための gemini-3.5-transcribe-live があります。
- 85以上の言語を自動判別。会話の途中で言語が混ざっても対応（日本語 ja-JP は Supported）
- 話者分離（最大8人。3人以上は実験的）
- 単語単位のタイムスタンプ（ファイル用のみ）
- カスタム語彙（最大1,000語、100語前後が最適）
- 逐語（VERBATIM）と整形（SMART）の2つのモード
ファイル用は1リクエスト最大1時間（話者分離・タイムスタンプ使用時は30分）、Live 用は1セッション10分までです。
詳しい情報
- シリーズ
- Gemini 3.5
- 細かい分類
- 文字起こし
- 入力できるもの
- 音声
- 出力できるもの
- テキスト
- 日本語への対応
- 対応
- API のモデル ID
- gemini-3.5-transcribe
| プラン・条件 | 料金 | 補足 |
|---|---|---|
| gemini-3.5-transcribe | 入力 $2.00 / 出力 $12.00（100万トークン） | 分換算で入力 $0.003 / 分、出力 $0.002 / 分 |
| gemini-3.5-transcribe-live | 入力 $3.50 / 出力 $21.00（100万トークン） | 分換算で入力 $0.005 / 分、出力 $0.004 / 分 |