Google AI に関する報道

Google AIは、Gemini 3.5 Transcribeという音声からテキストへの変換モデルを発表しました。このモデルは、85以上の言語で平均WER 2.6%を報告しています。このモデルは、ストリーミングエンドポイントとバッチエンドポイントの2つのエンドポイントに分けられています。ストリーミングエンドポイントはサブ秒単位の転写を提供しますが、話し手の識別と単語のタイムスタンプはサポートしていません。一方、バッチエンドポイントはこれら2つの機能をサポートしていますが、コストはストリーミングエンドポイントの半分です。Googleは、ストリーミングエンドポイントのWERは4.0%、非ストリーミングエンドポイントのWERは2.6%で、Chirp 3よりも70%高速であると報告しています。