Google
Gemini 3.5 Transcribe Live
Googleの低遅延リアルタイム音声文字起こしモデル。Gemini Live APIをWebSocketまたはSDKから利用し、音声を連続入力しながらテキストを段階的に受け取れる。会話応答や音声生成を主目的とするモデルではなく、音声認識専用のパイプラインである。(aistudio.google.com) 発話中の暫定結果と、発話区間終了後の確定結果を返す。音声アプリ、リアルタイム字幕、音声入力など…
モデルを見る日本語
モデルディレクトリ
新しいモデルを公開日順に見つけられます。
Googleの低遅延リアルタイム音声文字起こしモデル。Gemini Live APIをWebSocketまたはSDKから利用し、音声を連続入力しながらテキストを段階的に受け取れる。会話応答や音声生成を主目的とするモデルではなく、音声認識専用のパイプラインである。(aistudio.google.com) 発話中の暫定結果と、発話区間終了後の確定結果を返す。音声アプリ、リアルタイム字幕、音声入力など…
Googleの音声認識・文字起こしモデル。入力音声をテキストに変換し、録音済みの会議、通話記録、音声分析などに利用できる。85以上の言語を自動検出し、会話中の言語切り替えにも対応する。(blog.google) 発話の言い直しやフィラーを整理し、テキストを整形するスマート文字起こしに対応。 録音音声では話者分離、単語単位のタイムスタンプ、専門用語などのカスタム語彙に対応。 リアルタイム字幕や音声イ…