Googleの文字起こしが単語誤り2.6%に——それでも議事録は正確にならない、中小企業が確かめる3点

2026年8月26日、Googleが公式ブログで音声認識モデル「Gemini 3.5 Transcribe」を発表しました。話した音声を文字にする技術のことで、単語誤り率は録り終えた音声をまとめて処理する場合で2.6%まで下がり、Googleはこれまでで最も精度の高い音声認識モデルだと説明しています。結論から言うと、これは中小企業にとって、文字起こしの精度が上がっても議事録の正確さはまだ別の問題として残る、という話です。

何が起きたか

発表によると、Gemini 3.5 Transcribeは2つの窓口で提供されます。話しているそばから文字にしていくリアルタイム処理と、録り終えた音声をまとめて処理する録音済み処理です。単語誤り率は、リアルタイム処理で平均4.0%、録音済み処理で2.6%でした。この数字は第三者の評価元Artificial Analysisが測定した値だと、Googleは明記しています。多言語の精度を比べる公開ベンチマークFLEURSでは、上位の言語や地域を対象にリアルタイム5.50%・録音済み5.04%という結果です。自動で判別できる言語は85を超え、地域なまりや方言にも対応すると説明されました。話者の識別は録音済み音声で最大3人まで対応し、3人を超える対応はまだ実験段階にあります。従来モデルのChirp 3と比べると、最終的な文字起こしが確定するまでの時間が70%改善したと、こちらも同じ評価元の測定として示しています。開発者向けと企業向けは、正式提供の前の段階にあたる公開プレビューでの提供です。開発者はソフト同士をつなぐ窓口であるGemini APIから、一般の利用者はmacOS版のGeminiアプリなどから使えます。

なぜ重要か

単語誤り率という指標は、議事録が壊れる3つの原因を1つも測っていません。

1つ目は、どの単語を間違えたかを区別しないことです。金額や型番のような1語の誤りも、助詞1つの誤りも、単語誤り率の上では同じ「1語の誤り」として数えます。ですが会社の文書では、間違うと困る語はあらかじめ決まっています。

2つ目は、整形で消えた情報は誤りに数えられないことです。Gemini 3.5 Transcribeは言い直しやつなぎ言葉を消して自動で整えます。「火曜——いや水曜」を「水曜」に直すのは正しい整形ですが、「やりましょう——いや、やっぱり無理があります」という言い直しを消してしまうと、意味がそのまま反転します。

3つ目は、話者の取り違えは単語誤り率に含まれないことです。誰が言ったかが変わっても、文字列としては合っているからです。Googleの発表でも、録音済み音声の話者の識別は最大3人までの対応で、3人を超える場面はまだ実験段階だと明記されました。4人以上が話す会議では、この数字はそもそも測っていない領域に入ります。文字起こしの精度が上がっても、この「数字は合っているのに、誰の発言かが入れ替わっている」状態は残ります。生成AIが社内で止まる理由は精度だけではない、という話は生成AIが「議事録止まり」になる理由でも書きました。

中小企業は何をすべきか

• 金額・型番・固有名詞は、文字起こしを根拠にしない。決裁・見積・仕様に入る値は、原本か発言者本人に必ず当ててください。1行でよいので、誰が確認したかを記録に残しておくと、後から突き合わせられます。
• 整形前のそのままの文字起こしを、別に残す設定にしておく。言い直しやつなぎ言葉を消す整形は便利ですが、議事録で揉めるのは、たいてい消えた側の一文です。
• 4人以上が話す会議は、話者名を人が付ける前提で運用を組む。あわせて議事録の様式に反対意見・保留の欄を作り、無ければ「無し」と書かせてください。空欄と無しは別の意味を持ちます。

AIが足りない部分を勝手に埋めてしまう癖は、文字起こしに限りません。Anthropicの社内でAIが実在しないURLを作った話も書いています。

その他の注目ニュース（8月28日 朝時点）

Anthropicが「Model Hardware Standard」の研究プレビューを開始（8月27日）

Anthropicが「Previewing the Model Hardware Standard」を公開しました。AIエージェントが機器を安全に操作するための共通の窓口を定める規格で、機器の仕様や安全上の限界は自然言語のタグとして持たせます。対象はいまのところ選ばれた研究ラボと製造業のみで、一般にはまだ開放されていません。機器ごとの専用の作り込みは、製造や検査の自動化が止まる典型的な理由でした。その作り込みを規格側に寄せる動きが始まった段階として見ておくべきニュースです。

Googleが動画生成モデル「Gemini Omni 1.1 Flash」を公開（8月27日）

Googleが「Build with Gemini Omni 1.1 Flash」を発表しました。動画を10秒きざみで最大40秒まで継ぎ足せる機能などが増えました。低い解像度の下書き生成は、標準解像度に比べて最大60%速く、費用は3分の1に抑えられるといいます。販促動画を外注する前に、粗い下書きを安く何本も作って社内で見比べる、という使い方ができます。

AI導入の進め方を相談する（FDE型AI導入支援・無料相談）