Google は 11 月 20 日 (日本時間 21 日未明)、音声を文字にするモデル Gemini 3.5 Transcribe の「声で文章を直す」機能を、開発者向けの Gemini API で使えるようにしたと公式 X で発表した。Android のキーボード Gboard の「Rambler」と、macOS 版の Gemini アプリで使われているのと同じ技術だという。
これで開発者は、話すだけで文章を書き換えたり、言い換えたり、翻訳したりできる道具を自分のアプリに組み込める。メモやメールの下書きを、キーボードに触らずに仕上げる道具が、さまざまなアプリに広がっていく入口になる。
「声で直す」とは、何をすることか
Gemini API の説明によると、「Smart」と呼ぶ書き起こしの設定を選ぶと、この機能が最初から有効になる (選ばなければ、話した言葉をそのまま写す)。話しながら同じ録音の中で直しの指示を出してもいいし、すでにある文章 (最大 64KB) を渡して、それを声の指示で書き換えさせることもできる。
説明のページには、指示の例が並んでいる。
- 言葉の差し替え: 「時間を 15 時半に変えて、ビデオ会議でも参加できると書き足して」
- 口調の変更: 「もっと改まった書き方にして」
- 形の整理: 「やることを番号付きの箇条書きにして」
- 書き足し: 「明日の朝、数字を一緒に見られるか聞く一文を足して」
- 削除: 「2 つ目の文を消して」
直した結果は、指示を反映した全文として返ってくる。前の結果を次の指示に渡せば、何度でも重ねて直せる。Smart の設定は、言い淀みや言い直し、「えー」「あー」のような詰め言葉も取り除き、話した言葉を整えて文字にする。
使う側にとっての値段と、渡すデータ
個人がこの API を直接触る場面は多くない。届くのは、開発者がこれを組み込んだメモアプリや日記アプリ、メールの道具を通してだろう。そのとき気にしておきたいのは、値段より、自分の声と文章がどこへ行くかだ。
Google の料金表では、Gemini 3.5 Transcribe には無料の枠がある。ただし無料の枠では、送ったデータが Google の製品の改善に使われると明記されている。有料の枠では使われない。有料の場合の目安は、音声の入力が 1 分あたり約 0.003 ドル、文字の出力が約 0.002 ドルで、合わせて 1 分あたり約 0.005 ドルと Google は試算している。1 時間話しても 30 セント前後だ。
個人のメモや家族あてのメールの下書きを声で直す道具を選ぶときは、そのアプリが Google のどちらの枠を使っているか、アプリの利用規約やプライバシーの説明で確かめておきたい。
まだ分からないこと
対応する言語は 85 以上で、日本語も一覧に入っている。ただ、説明のページの「声で直す」例はすべて英語で、日本語で同じように直せるかは書かれていない。日本語は語順や敬語の切り替えが英語と違うので、「もっと丁寧に」のような指示がどこまで通るかは、使って確かめるしかない。
もう一つの制約もある。1 回に送れる音声は 1 時間まで。Smart の設定は、話し手の聞き分けや単語ごとの時刻の記録と同時には使えない。会議の議事録を話者ごとに残しつつ、声で直す、という使い方は、今の仕様では一度にはできない。
開発者でなくても、Google AI Studio の画面で試すことはできる。次に見るのは、Gemini API の「Audio transcription」の説明ページだ。対応言語と Smart の設定の項目が更新されれば、日本語での直しの扱いもそこに出る。
ことば
- Gemini API — Google の AI モデルを、開発者が自分のアプリやサービスから呼び出すための窓口。料金や使える機能は、モデルごとに決まっている。
- 書き起こし — 録音した声を文字にすること。話した言葉をそのまま写す方式と、詰め言葉を除いて読みやすく整える方式がある。
キーボードを打たずに声だけで文章を直せるようになったら、あなたは何を書き始めるだろうか?
