【革命】今話題の文字起こし「Gemini 3.5 Transcribe」は何が凄いのか徹底解説します

こーすけ先生のGoogle塾 首頁 每日列表 原始影片
實際影片長度：17:17.000。原文、繁中、雙語可點擊句子跳轉影片。
0:00.080–0:02.000
ja皆さん、こんにちは。先生です。コ介先生
0:02.000–0:05.160
ja、普段こんなこともやってるので、気になる方はチェックしてみてください。今日
0:05.160–0:11.040
jaはですね、新たな化け物の生誕祭でございます。ジェミニのトランスクライブモデル
0:11.040–0:13.880
jaというのができましたと。何かと言うと、
0:13.880–0:16.520
ja端的に言えば文字起こしです。テキストの
0:16.520–0:22.600
ja文字起こしモデルなんですが、こいつね、やばい。めちゃくちゃやばいので、是非皆
0:22.600–0:28.230
jaさんご覧いただければと思います。
0:28.240–0:30.679
jaもう早速いきましょう。新たな化け物の
0:30.679–0:34.680
ja誕生ということでですね、今回ご紹介させていただければと思います。今回ご紹介
0:34.680–0:47.120
jaするのはこちらジェミ3.5トランスクライブというようなモデルになってきて、もうですね、Googleが産んだ市場最高制度を誇る音声認識モデルでございます。このモデル
0:47.120–0:57.680
jaはですね、もうインテリジェントな音声対話のために、インテリジェントな音声対話って何かなというようなことで、単なる文字起こしもちろんできるんですけど、[音楽]それだけではないっていう
0:57.680–1:02.079
jaのを後ほどですね、ご覧いただければと思います。で、普通のものだとですね、
1:02.079–1:13.000
ja背景雑音とか、あと専門用語が出てくると途端に違う言葉に変わっちゃったり、もしくは例えばジェミニって言われたら我々知ってるじゃないですか。Gniじゃ
1:13.000–1:14.960
jaないですか。それカタカナでジェミって出
1:14.960–1:23.600
jaてきちゃったりだとかそういった部分にこう補正っていう部分で課題を抱える従来のモデルとはですね、もう[音楽]一戦を隠してます。後ほどお見せしますけど本当
1:23.600–1:26.040
jaにえぐいですよ。これね、私ね、想像以上
1:26.040–1:28.159
jaにテンション上がってます。もう昨日これ
1:28.159–1:32.680
jaが発表されてからずっとGoogleADでこういう風に言ったらどうかな。ああ
1:32.680–1:34.240
jaいう風に言ったらめちゃくちゃ試してる。
1:34.240–1:40.079
jaそれぐらいこのジェミ3.5トランスクライブはAです。でも性格かつ
1:40.079–1:45.159
jaされたフォーマット済みテキストへ変換する技術を実現しております。で、実際
1:45.159–1:49.439
jaこの記事ですね、こちらも是非皆さんお読みいただければと思います。もちろん
1:49.439–1:51.799
ja英語です。英語なので日本語にですね、私
1:51.799–2:00.799
jaのように翻訳していただいて、そうするとですね、色々この辺りにもリアルタイムストリーミングにも対応してるし、事前録音された音声の処理もできると。で、
2:00.799–2:05.479
jaそれの参考となるですね、こう動画みたいなものがこう出てるわけですよ。で、この
2:05.479–2:07.439
ja人とかね、ちょっとだけ聞いてみましょうか。
2:07.439–2:19.390
jaとしたらまさに今ここに映ってるのがこれジェミのトランスクライブモデルで構築されたアプリケーションだと思いますが、今からこの人喋りますと、どれぐらいリアルタイムに文字が起こされていくかちょっと見ていきましょう。
2:19.400–2:27.190
en3.5Transcribeliveisourlatestmodelfortranscribingspeinrealtime.It'sparticularlygoodatmultilingual
2:27.200–2:37.080
jatranscription.SoIcanstartasentenceinEnglish分かりますか?
2:37.080–2:44.710
jaこれ途中でしかも言語変わった時にそれで認識するわけですよ。デフォルトでもちろん日本語っていう風にやることもできるんですよ。
2:44.720–2:52.519
jaでもそうではなくて自動認識みたいな形にすればこんな形でどんどんどんどん別の言語でもできると。しかも今ほとんど遅延
2:52.519–2:54.040
jaなかったですよね。これぐらいで
2:54.040–2:55.480
jaトランスクライブできるわけです。で、
2:55.480–3:08.319
jaさらに先ほどスマートな文字起こしってつまり何かと言うとですね、これちょっとこちら見ていただくとこれがいわゆるそのままのモードとこれスマートリプションアクティブということで要はですね、
3:08.319–3:16.480
ja例えば話してる時に明日の会議は3人、あ、いや4人で伺いますって言ったりするじゃないですか。そしたら最終的に何人で
3:16.480–3:18.400
ja伺うんだって言ったら4人ですよね。そう
3:18.400–3:21.440
jaすると明日は4人で伺います。なるわけ
3:21.440–3:23.519
jaですよ。それがいわゆるこのスマート
3:23.519–3:25.239
jaクリプションアクティブの状態ですね。
3:25.239–3:28.439
jaちょっとこれデモみたいなものがあるので見ていきましょう。Iwanta
3:28.439–3:39.640
enlargewithoట్milktwopumpsofhallelnutandexrashandlightiactallymakethehanutintocaramelremovetheexrashandmakeit
3:39.640–3:45.309
jaregulariwanoiatallchangethesൈfromlgetomedium分かります?
3:45.319–3:56.949
jaこれ左側は最初こう頼んでいたものに対してウェイトとノーアイスアイスはいらないよとでchangefromラージからミディアムにというような形で最初にラージと言っているわけですよ。
3:56.959–4:01.840
jaでも最終的に、あ、やっぱミディアムに変えてくださいって言ったら見てください。これIwanta
4:01.840–4:11.439
jamedミディアムアイスドラテもうあ、変わったんだったら最初のやつ変えちゃえばいいやというような形でスマートモジ起こしたらつまりこういうことなわけですね。これすごくないですか?これ
4:11.439–4:17.799
jaしかもリアルタイムにどんどんどんどんこう書き起こしながら最終的に綺麗なものにしてくれるっていう。これね、本当
4:17.799–4:19.799
jaえぐいですよ。で、ちょっとこれですね、
4:19.799–4:34.960
jaどんだけえぐいかというのを私なりにですね、つまりこういうことよねということでまとめましたので、1つ目、録音データに対するAPIということで、まずこちらのモデルは録音データとかですね。なので例えば
4:34.960–4:40.080
ja会議録とかのその文字起こしとかしたいんだったらもちろん使えますと。で、さらに
4:40.080–4:46.880
ja録音データに対してであれば認識ラベルがつきます。で、認識ラベル一応現在
4:46.880–4:52.160
jaサポート対象というかですね、最大3人までは間違いなく認識できますよと。それ
4:52.160–4:56.600
ja以上の場合は試験段階ですというような書かれ方をしています。先ほどで言うと
4:56.600–5:00.280
jaこちらですね、認識ができますよ。最大3
5:00.280–5:06.479
ja人の話者についてタイムスタンプが正確に識別できます。ただそれ以上の話者の場合
5:06.479–5:11.199
jaは試験段階なので、もちろん間違えることありますよと。出方としてスピーカー0、
5:11.199–5:19.800
jaスピーカー1[音楽]、スピーカー2というような書かれ方がするんですが、例えばスピーカー3、スピーカー4ってこう振られていった時にスピーカー5の人がもしかしたらそれスピーカー1の人が
5:19.800–5:30.360
ja話したことだよねってことがあるかもしれませんが、少なくとも試験段階ということは徐々に徐々にそのサポート範囲っていうのは広がっているんだろうなという風に感じますと。これは録音データに対する
5:30.360–5:35.680
jaものが話者認識対応できるというような形ですね。そしてリアルタイム文字起こしに
5:35.680–5:40.039
ja対しても対応してて、それがライブAPIというような形になっています。で、この
5:40.039–5:45.000
ja2つ両方ともスマート起こしに対応してるというようなところでございます。これ
5:45.000–5:47.800
ja実際見てみますか?見ましょう皆さん。
5:47.800–5:50.319
jaGoogleAISTIOに行きます。そ
5:50.319–5:56.199
jaしたらですね、GoogleAISTIOのトップページからご覧いただきましょうか。こちらGoogleAISTIOで
5:56.199–5:58.720
jaございます。として私も昨日からずっと
5:58.720–6:12.240
jaこのトランスクライブやってるので先にこうなっちゃいましたけどこちら押していただいておそらく最初ですね多分ジェミニ3.7フラッシュとかが選ばれているんじゃないかなと思いますがこのモデルのところをクリックいただいてそし
6:12.240–6:25.280
jaたらこのオーディオっていうところですねディオってところを押していただくとここにジェミニ3.5トランスブとこの下にジェミニ3.5トランスブライブというものがございますとそしたらまずジェミニ
6:25.280–6:28.639
ja3.5トランスクライブライからいきましょうか。で、これクリックして
6:28.639–6:32.479
jaいただくとこんな形になっていて、これ分かりますかね?ディテクトって書いて
6:32.479–6:37.560
jaあるので、ディテクトって名探偵コなんで私も覚えたんですけど、あれディテクティブボーイズじゃないですか。
6:37.560–6:39.240
jaなのでやっぱ探るってことなんでしょね。
6:39.240–6:41.000
jaディテクトというのは。で、これを
6:41.000–6:47.360
jaディテクトなのか、もしくはもう最初っから日本語ジャパニーズっていう風に指定するかですね。ま、ここは自由にして
6:47.360–6:49.379
jaいただいて結構かなと思います。そして
6:49.379–6:51.720
ja[音楽]これです。このスマート
6:51.720–6:53.960
jaランスプtョン。これがまさにスマート
6:53.960–7:00.879
ja文字起こしなんですが、そしたらまずはスマートリプションやらない場合にしましょうか。やらない場合にどういう文章
7:00.879–7:03.160
jaが出てくるか。これ私がいつものように
7:03.160–7:04.960
ja喋りますね。いつものように喋っている
7:04.960–7:10.759
ja段階のをどんどんどんどん文字起こしされるのでそれご覧いただければと思います。このトークボタンを押していただいて
7:10.759–7:14.840
jaそうするとここに今コネクティングtoserverとなってます。で、その後
7:14.840–7:19.680
jaマイクがオンになって今まさに私話している段階でございます。そうすると
7:19.680–7:24.280
jaどんどんどんどんこれ今書かれてますよね。で、いわゆる私が喋っている言葉という
7:24.280–7:35.120
jaのがリアルタイムにどんどんどんどん文字起こしされていって、で、ちょっと一呼吸置くとこれが完全にこういった文字言いましたよねっていうような形で書かれます。で、今一呼置きました。そうすると
7:35.120–7:38.840
jaこんな形で文字というのがいわゆるセンテンスでしょうね。これでワン
7:38.840–7:42.960
jaセンテンスですよねっていう形でこう出てくると。で、これがいわゆるスマート
7:42.960–7:45.919
jaランスクリプションがない状態。一般的
7:45.919–7:48.520
jaな文字起こしに近いかなと思います。ただ
7:48.520–7:59.560
jaああとかええーとかそういったものもですね、少しはいわゆるそういったフィラーとかもですね、結構省かれてるようには感じますね。こんな形です。結構な精度じゃ
7:59.560–8:01.520
jaないですか?てかだ精度高いすよね。
8:01.520–8:03.800
ja分かります?例えばここで私がジェミニと
8:03.800–8:08.120
jaかって言ってもちゃんとジニはほら分かります?これちゃんとジェミニとして出て
8:08.120–8:09.639
jaくるわけですよ。とかあとは
8:09.639–8:15.440
jaノートブックエム、あ、今だとジェミノートブックですかみたいな形を言ってもノートブックエレム今こうなりましたね。
8:15.440–8:18.840
jaこれちょっとフィとどうなるか見てみましょうか。はい、分かります?
8:18.840–8:23.159
jaノートブックエレムってちゃんとなりましたよ。こういったところがもうスマート
8:23.159–8:29.759
jaランスクリプション入れてなくてもすでにスマート差がこう出てるわけですよね。では続いてこのスマート
8:29.759–8:33.440
jaランスクリプションを試してみましょう。スマートトランスクリプションの場合は
8:33.440–8:42.399
ja先ほどのデモでもやってたようにいわゆる文脈がこうぶわーっとあった中でいやっぱさっきのはみたいなところを反映をしてくれる機能になっていますと。なので
8:42.399–8:54.080
ja例えばですよ、明日の打ち合わせですが、明日はですね、弊社から4人、いや、えっと、5人伺います。で、明日、え、土曜日ですけれども
8:54.080–9:05.000
ja、そこで打ち合わせた内容の技似録は、え、なるべく週明けのですね、火曜日、いや、うん、木曜日ぐらいまでもらっていいですかね。それまでには疑似6書かせて
9:05.000–9:06.760
jaいただければと思います。どうです皆さん
9:06.760–9:09.440
ja?分かります?まず明日の打ち合わせ、私
9:09.440–9:11.640
ja4人、いや、5人って言いましたと。そし
9:11.640–9:14.160
jaたらちゃんと5人伺いますと。で、そこで
9:14.160–9:22.560
ja打ち合わせた技似録は火用いや木曜までもらっていいですかって言ったらちゃんとそれが入ってくると。これがですねこの
9:22.560–9:27.720
jaスマートトランスクリプションなわけですよ。もう興奮でしょ?もう興奮ですよ。で
9:27.720–9:31.000
ja、さらにです。さらにそしたら今度は録音
9:31.000–9:34.959
jaされたモデルに対するトランスクライブもやってみましょうか。で、
9:34.959–9:41.200
jaトランスクライブの場合はここにスピーカーラベルズというものがオンにできるようになってます。いわゆる認識
9:41.200–9:43.279
jaですね。で、ワードタイムスタンプという
9:43.279–9:50.760
jaことで何分から何分の間にこういう音声が言われてるよねっていうタイムスタンプもしっかりと[音楽]入れてくれると。で、
9:50.760–9:55.240
jaもちろんその時にもフィラーとかを全部消したいなとかですね。あとは言い直し
9:55.240–10:02.240
jaてるところとかも全部綺麗にして欲しいなと思ったらスマートランスプションをオンにすればいいわけですね。今回使う音声は
10:02.240–10:11.079
ja過去にですね、私とX君がサンプル会議のですね、台本を読んだものになってまいります。ちょっとだけ聞きましょうか。
10:11.079–10:21.870
jaそれでは帝国になりましたので新製品開発検討会議を始めます。本日は皆様から新製品のアイデアを出し合っていただき今後の開発につなげていきたいと考えています。活発な意見交換をお願いします。
10:21.880–10:25.870
jaはい。最近の市場調査の結果から消費者の健康思考はもます高まっていると言えるでしょう。特に
10:25.880–10:29.110
ja30代から40代のま、こんな形ですよ。明らかにワ車
10:29.120–10:37.629
ja1と車2がいるわけですよね。じゃあこれをこちらのトランスクライブモデルに聞かせていきましょう。そしたらですね、今の音声ファイルを渡します。
10:37.639–10:43.760
jaで、そうするともうこの速さで今4分ぐらいでしたけど、何トークンかってのがもう測られましたね。そして
10:43.760–10:53.839
jaトランスクライブという風にするとこれで今文字起こしかつスピーカーラベルがついてワードタイムスタンプがついて生成されるとできましたよ。そうするとこちら
10:53.839–10:55.920
jaですね。それでは帝国になりましたので
10:55.920–10:57.959
ja新製品[音楽]開発検討会議を始めます。
10:57.959–11:03.440
ja本日は皆様からこれが02秒から016秒にスピーカー03が言いましたよねと。
11:03.440–11:14.160
jaそしてはい、最近の市場調査の結果からこれまさにX君が言ったやつですけどスピーカーラベルは完全に変わっていると。これはねすごいと思いますよ。この
11:14.160–11:27.079
jaモデルを使えばもう相当いい文字起こしもできますし、これですね、やっぱりこうリアルタイム文字起こし先ほどのライブAPIあっ[音楽]たじゃないですか、あれがすごく今後それこそ行政機関とかで
11:27.079–11:38.360
jaも役に立つだろうなと思っていて、最近ですね、弊社の方でもいろんな行政機関と仕事をさせていただく中で、例えば議会をこう見にくる市民[音楽]の方、区民の方、町民の方、様々な方いらっしゃると思い
11:38.360–11:49.839
jaますが、その時に昇格の方にですね、障害がお持ちの方であればやは話していることかが文字起こしにリアルタイムに文字起こしされて表示されたらめちゃくちゃ便利じゃないですか?そう
11:49.839–11:56.040
jaいったところでももちろんこのモデルというのは使えますし、あとは窓口もそうですよね。窓口とかでやり取りをする時も
11:56.040–12:08.360
ja例えば窓口担当職員がお話をした時にそれが例えばディスプレイにどんどんどんどんこう文字が出ていったらですね、もちろんこちら側もお客様の方もあ、こういうこと言ってるんだなってことで分かるわけじゃ
12:08.360–12:11.600
jaないですか。そういったやはり様々な言語
12:11.600–12:17.560
jaをツールとしてですね、このトランスクライブモデルというのは今後輝いていくんだろうなと思いますと。で、
12:17.560–12:20.720
jaめちゃくちゃ使いやすいっていうのがポイントですよね。スマート
12:20.720–12:27.079
jaランスクリプションもついているので、それこそね、窓口の職員とかも言い直すことあると思うんですよ。その時にこう
12:27.079–12:37.680
ja文字で書かれた時に言い直しがあると、要は一方ではこちらに旦那様の名前をお書きください言われて、でもその後、あ、すいません。ここは奥様の名前でしたってなっ
12:37.680–12:41.279
jaた時にもうそこだけでノインプットされちゃうじゃないですか。で、そうすると
12:41.279–12:44.880
jaそれで書こうと思ったらああ、こっちだったのねってなると思うんですね。でもこの
12:44.880–12:53.199
jaスマートトランスクリプションがあれば最終的な言い直された結果の文字が出来上がるのでそうすると多分5認識っていうのもなくなると思うんですよね。なの
12:53.199–13:03.839
jaで今後このジェミニ3.5トランスクライブというのはもちろん単なる疑似6の文字起こしとかもそうですしな方とのコミュニケーションツールとしても輝くと思うんですよ。これはね超
13:03.839–13:06.000
ja楽しい。是非皆さんGoogleAIST
13:06.000–13:07.560
jaから試してみてください。もう1度言い
13:07.560–13:13.480
jaますけれども、このモデルのところ選んでいただいて、あの、別にオーディオにしなくてもいいですよ。例えばここのサーチ
13:13.480–13:23.079
jaのところにですね、トランスライブっていう風に入れていただければもう間違いなくヒットするので、で、このトランスクライブライブというのがいわゆるリアル[音楽]タイムです。
13:23.079–13:25.000
jaリアルタイム文字起こしに対応してます。
13:25.000–13:29.920
jaそして上の方は音声データという風に捉えていただければと思います。ただ録音され
13:29.920–13:39.160
jaた音声データなんですけど、実際トランスクライブの方もですね、リアルタイムな文字起こしではないんですけど、ここにですね、レコードオーディオというボタンも用意されています。なので、これ
13:39.160–13:42.639
jaから音声を取るという場合でもちろんオッケーです。なので事前に音声
13:42.639–13:51.519
jaデータなかったとしてもレコードオーディオを押していただいて、で、もうこれでスタートレコーディングという風にすれば、ここ上で今私が喋るとこうやってなんかフワンファンファンファンってなっ
13:51.519–13:53.120
jaてるじゃないですか。これで今音声が取ら
13:53.120–13:57.480
jaれているような状態になりますので、こういった形で作ってもいいかなと思います。
13:57.480–14:02.600
jaひまずですね、皆さん絶対に使ってください。で、使ったら100%感動し
14:02.600–14:05.399
jaますから。で、この文字起こしのリアルさ
14:05.399–14:12.279
jaというか、正確さを元にあの業務だったら使えるかもとか、ああ、この業務で行けそうだなとかですね。どんどんどんどん
14:12.279–14:16.279
ja想像を膨らませていただければと思います。いずれこれがキャンバスに入ってきたら
14:16.279–14:18.320
jaどうですか?キャンバスに入ってきて
14:18.320–14:27.440
jaキャンバスAPIでこれ使えるようになったら皆さんの手で先ほどみたいなリアルタイム文字起こしツールとかもう作れますからね。GoogleAIスタジオだと
14:27.440–14:38.480
ja学習対処になってしまいますけれども、GoogleWestoaceを導入している事業者さんでキャンバスAPIの中にこのモデル入ってきたらこれもうやばいっすよね。是非皆さん楽しみにしていき
14:38.480–14:40.199
jaましょう。A社ではですね、このような形
14:40.199–14:52.440
jaで今本当にどんどんどんどん生成AI業界って進化をしていて、で、Googleはやはり様々なデータを持っているからこそだと思いますけど、本当に面白いモデルをどんどんどんどん次から次に発表してい
14:52.440–14:55.279
jaます。で、それはあくまでも我々に対して
14:55.279–14:58.880
jaこういうモデルできたよ、どうっていうのをこう示唆してくれてるわけですよね。で
14:58.880–15:10.240
ja、それを我々はですね、どういう分野で使えるかなっていうのをこう研究しながら、そしてこういったYouTubeを通して皆さんにお示しすることで皆さんのDX支援をお手伝いしております。気になる方
15:10.240–15:15.759
jaは概要欄にお問い合わせページございますので、お気軽にお問いただければと思います。このチャンネルでは今回
15:15.759–15:24.600
jaジェミニトランスクライブ[音楽]モデルをご紹介させていただきましたが、Googleはですね、本当に多くのサービスを持っておりますし、日々どんどんどんどんそれも増えてます。そう
15:24.600–15:29.759
jaいったものをですね、1つでも多く取り上げて皆さんに情報提供できればと考えております。是非チャンネル登録
15:29.759–15:31.160
jaよろしくお願いいたします。ありがとう
15:31.160–15:36.269
jaございました。またね。
15:36.279–15:42.399
jaす、あんことつぶで派じゃないですか。
15:42.399–15:44.319
ja圧倒的な派ですね。
15:44.319–15:49.079
jaの人は申し訳ないけどなくなればいいと思って派の人は過激派すぎるよ。
15:49.079–15:52.030
jaいやいやいやいやチャンネル視聴者層の半分ぐらい消えちゃうよ。
15:52.040–15:54.120
jaそんなことないね。多分70%つ派だよ。
15:54.120–15:55.079
ja30%消えるやんけ。
15:55.079–15:55.645
ja30%消える。ういやでもつぶ派になってくれればいいんだから。でもよ。タ焼きに腰入ってて嬉しい。粒でしょ。
15:55.655–16:03.230
ja[笑い][音楽]うん。それは粒がいい。
16:03.240–16:03.870
jaドラ焼きは?
16:03.880–16:05.990
jaそれは粒もそれは今川焼きは?
16:06.000–16:06.749
jaそれも粒がいい。
16:06.759–16:07.910
ja粒やないかい?もう
16:07.920–16:09.189
ja赤服腰屋がいいもんね。
16:09.199–16:13.670
jaいや、赤服はだから腰屋しかないからでしょ。僕だから赤服はつぶを出せばいいと思う。
16:13.680–16:20.069
ja僕だから腰だから赤服ちょっと嫌いだもん。味は美味しいよ。それは認めるけどこれつだったらもっと美味しいのになってやっぱいつも思っちゃうから。
16:20.079–16:26.550
jaいや、餅ち食べる時に引っかかっちゃうからもちもちて感を楽しむのがあきなわけですよ。
16:26.560–16:28.406
ja赤くは餅ちも主役みたいなとこあるからね。あんも主役だけど餅ちも主役みたいなダブル主演だからが立っちゃうから粒があることによって
16:28.406–16:36.800
ja[音楽]粒があるのがあきなわけです。
16:36.800–16:47.389
ja今こういい感じのバランスで1対1の感じで今主役に慣れてるのにすぐ来ちゃったらもちからクレーム入っちゃうからを目指してますよねみたいなえ、じゃああなたが出ていけばいいんじゃない[笑い]
16:47.399–16:51.470
jaうちむ子だけで行けるんでみたいなあなたも本能的には粒なんでしょうね。
16:51.480–16:52.189
ja求めてるかな?
16:52.199–17:02.110
ja求めてると思いますよ。皆さん本気で考えてください。今後一切どっちか選んだらどっちかしか食べれないというのを考えた上で回答してほしい。どっちも食べそれはもうわがままです。
17:02.120–17:13.549
jaどっちかしか食べれないというのを頭の中で思いかべた時につぶなのか腰なのかも腰選んだ瞬間に今後のドラ焼きは全部腰だからね。今後のた焼きは全部星だからね。前在もだよ。
17:13.559–17:15.720
ja謎のアンケートを皆さん答えてください。
17:15.720–17:17.000
jaよろしくお願いします。お願いします。
0:00.080–0:02.000
大家好，我是老師，Ko介老師。
0:02.000–0:05.160
因為我平常也會做這類事情，所以有興趣的人請務必查看。今天
0:05.160–0:11.040
呢，是全新怪物的誕生祭。Gemini的轉錄模型
0:11.040–0:13.880
已經完成了。說起來，
0:13.880–0:16.520
簡單來說就是文字轉錄。這是文本的
0:16.520–0:22.600
文字轉錄模型，但這傢伙，太強了。非常非常強，所以希望大家
0:22.600–0:28.230
都能來看看。
0:28.240–0:30.679
我們馬上開始吧。全新怪物的
0:30.679–0:34.680
誕生，這次我想向大家介紹。這次我要介紹的是這個Gemini 3.5轉錄這樣的模型，已經成為Google所生產的擁有市場最高水準的語音識別模型。這個模型
0:34.680–0:47.120
呢，是為了智能語音對話，什麼是智能語音對話呢，當然可以做單純的文字轉錄，但[音樂]不僅僅如此，稍後
0:47.120–0:57.680
這個模型是專為智能語音對話而設計的，所謂的智能語音對話究竟是什麼呢？它當然能進行單純的文字轉錄，但[音樂]絕不僅止於此。
0:57.680–1:02.079
遇到背景噪音或專業術語時，會瞬間變成不同的詞，或者例如聽到Gemini時，我們都知道不是Gni，
1:02.079–1:13.000
面對背景噪音或專業術語出現時，傳統模型往往會將詞語誤轉為其他內容，或者例如聽到「Gemini」時，我們都知道它，但系統可能會誤轉為「Gni」等情況，這些校正問題正是傳統模型所面臨的課題。
1:13.000–1:14.960
這樣的話，傳統模型在這種校正方面存在課題，而這個模型已經[音樂]完全超越了。稍後會展示，真的
1:14.960–1:23.600
而這個模型已經與傳統模型[音樂]劃清了界線。稍後會展示給大家看，事實確實如此。
1:23.600–1:26.040
還要興奮。從昨天發表以來就一直
1:26.040–1:28.159
在Google AD上這樣那樣地測試。如果這樣說會怎樣。如果那樣說會怎樣，瘋狂地測試。
1:28.159–1:32.680
這就是Gemini 3.5轉錄的強大之處。它實現了將語音轉換為格式化文本的技術。實際上
1:32.680–1:34.240
這篇文章，也希望大家務必閱讀。當然
1:34.240–1:40.079
是英文。因為是英文，所以請像我一樣
1:40.079–1:45.159
翻譯成日文，這樣的話，這裡也支援即時串流，還能處理預先錄音的語音。對於
1:45.159–1:49.439
這些內容，有像這樣的參考影片出現。讓我們
1:49.439–1:51.799
聽聽這個人的聲音吧。
1:51.799–2:00.799
剛才這裡顯示的，我認為是基於Gemini轉錄模型構建的應用程式，接下來這個人會說話，讓我們看看文字轉錄有多即時。
2:00.799–2:05.479
3.5 Transcribe Live是我們最新的即時語音轉錄模型。它在多語言
2:05.479–2:07.439
轉錄方面特別出色。所以我可以用英文開始一句話，你懂嗎？
2:07.439–2:19.390
如果說現在螢幕上顯示的正是基於Gemini Transcribe模型建構的應用程式，那麼接下來讓我們來看看，當這位講者說話時，文字轉錄能多快即時生成。
2:19.400–2:27.190
但如果不這樣做，改為自動識別，就能以這種方式處理各種語言。而且現在幾乎沒有延遲
2:27.200–2:37.080
Transcription. So I can start a sentence in English 大家聽得懂嗎？
2:37.080–2:44.710
而且它在中途切換語言時也能正確識別。當然，預設設定也可以僅使用日語。
2:44.720–2:52.519
剛才提到的智能轉錄，也就是說，請看這裡，這是所謂的普通模式和智能轉錄激活狀態，也就是說，
2:52.519–2:54.040
例如說話時說明天會議三人，啊，不，四人參加，不是嗎。最後到底幾個人
2:54.040–2:55.480
參加呢，是四人對吧。這樣
2:55.480–3:08.319
此外，剛才提到的智能轉錄究竟是什麼意思呢？請大家看這裡，這就是所謂的「一般模式」與「智能轉錄啟用」模式，也就是說，
3:08.319–3:16.480
例如當您說話時說「明天的會議有3人，啊，不，是4人參加」，那麼最終系統會判斷為幾人
3:16.480–3:18.400
這裡有類似示範的內容，我們來看看。我想要
3:18.400–3:21.440
大杯加兩泵牛奶、無糖、去冰、輕乳酪，將堅果焦糖化，去除堅果殼並製作
3:21.440–3:23.519
常規。我想要完全改變從大杯到中杯，你懂嗎？
3:23.519–3:25.239
左側最初要求的是大杯加無冰，不需要冰，然後從大杯改為中杯，一開始說的是大杯。
3:25.239–3:28.439
這裡有個類似Demo的東西，我們來看看。Iwanta
3:28.439–3:39.640
大杯牛奶兩泵香草醬和堅果碎，輕柔地將堅果炒成焦糖，去除堅果碎並完成製作。
3:39.640–3:45.309
常規尺寸，不換成高杯，將杯型從大杯改為中杯，懂嗎？
3:45.319–3:56.949
這左側是初始請求的內容，針對重量和無冰（不需要冰塊），將杯型從大杯改為中杯，也就是最初說的是大杯。
3:56.959–4:01.840
但最終，啊，請改為中杯，請看，這是Iwanta。
4:01.840–4:11.439
中杯冰拿鐵，啊，既然要改變，就把最初的也改掉吧，這就是智慧文字轉錄的意思，也就是說這樣子，這不是很厲害嗎？這
4:11.439–4:17.799
而且即時不斷地進行文字轉錄，最終會整理成漂亮的結果。這真的
4:17.799–4:19.799
太誇張了。然後，稍微這個呢，
4:19.799–4:34.960
到底有多誇張，我以自己的方式總結如下，也就是說這樣子，第一點，針對錄音數據的API，首先這個模型是用於錄音數據之類的。所以例如
4:34.960–4:40.080
如果是會議記錄之類的文字轉錄，當然可以使用。並且，進一步
4:40.080–4:46.880
針對錄音數據會加上識別標籤。識別標籤目前
4:46.880–4:52.160
支援對象方面，最多三人可以確定識別。那
4:52.160–4:56.600
以上的情況則是試驗階段，這樣寫道。剛才提到
4:56.600–5:00.280
這裡呢，可以識別。最多三人
5:00.280–5:06.479
的話者，時間戳記可以精確識別。只是超過的話者
5:06.479–5:11.199
則是試驗階段，當然可能會出錯。輸出格式會寫成說話者0、
5:11.199–5:19.800
說話者1[音樂]、說話者2等，例如當標記為說話者3、說話者4時，說話者5的人也許會認為那是說話者1的人
5:19.800–5:30.360
說的話，但至少是試驗階段，感覺支援範圍會逐漸擴大。這是針對錄音數據的
5:30.360–5:35.680
話者識別對應的形式。並且即時文字轉錄也
5:35.680–5:40.039
對應，這就是Live API的形式。然後，這個
5:40.039–5:45.000
兩者都對應智慧文字轉錄。這
5:45.000–5:47.800
實際上看一下嗎？大家來看吧。
5:47.800–5:50.319
前往Google AI Studio。那
5:50.319–5:56.199
麼，讓我們從Google AI Studio的頂頁開始看吧。這裡是Google AI Studio
5:56.199–5:58.720
。因為我從昨天開始就一直
5:58.720–6:12.240
使用這個轉錄功能，所以已經變成這樣了，但請點擊這裡，可能最初選擇的是Gemini 3.7 Flash之類的，但請點擊這個模型部分，然後
6:12.240–6:25.280
點擊這裡的音訊部分，點擊音訊，這裡有Gemini 3.5 Transcribe，下方還有Gemini 3.5 Transcribe Live。那麼首先從Gemini
6:25.280–6:28.639
3.5 Transcribe開始吧。然後，點擊這個
6:28.639–6:32.479
會變成這樣，這懂嗎？寫著Detect，
6:32.479–6:37.560
Detect是名偵探柯南，我也記住了，但那不是Detective Boys嗎。
6:37.560–6:39.240
所以應該是探索的意思吧。
6:39.240–6:41.000
Detect是這個意思。然後，這個
6:41.000–6:47.360
是設定為Detect，或者一開始就指定為日語Japanese，嗯，這裡可以自由設定
6:47.360–6:49.379
沒關係。然後
6:49.379–6:51.720
[音樂]就是這個。這個智慧
6:51.720–6:53.960
轉錄。這正是智慧
6:53.960–7:00.879
文字轉錄，那麼首先來看看不使用智慧轉錄的情況。不使用時會
7:00.879–7:03.160
出現什麼樣的文字。這我像平常一樣
7:03.160–7:04.960
說話。像平常一樣說話
7:04.960–7:10.759
的階段會不斷進行文字轉錄，所以請看。按下這個對話按鈕
7:10.759–7:14.840
然後這裡現在顯示正在連接伺服器。然後之後
7:14.840–7:19.680
麥克風已開啟，我現在正在說話。
7:19.680–7:24.280
這些文字正不斷被記錄下來。也就是說，我所說的話
7:24.280–7:35.120
會即時被逐句轉錄，然後稍微停頓一下後，就會以這種完整的句子形式呈現出來。剛才我停頓了一下。
7:35.120–7:38.840
這樣文字就會以所謂的句子形式顯示出來。
7:38.840–7:42.960
這樣一個句子就會這樣顯示出來。這就是所謂沒有
7:42.960–7:45.919
智慧轉錄功能的狀態。一般來說
7:45.919–7:48.520
比較接近一般的轉錄方式。不過
7:48.520–7:59.560
像「啊」或「嗯」之類的詞，雖然多少會有一些，但我感覺所謂的填充詞也被相當程度地省略了。就是這種形式。精度相當高吧？
7:59.560–8:01.520
不是說精度很高嗎？
8:01.520–8:03.800
懂嗎？例如這裡我說吉米
8:03.800–8:08.120
即使我說吉米，它也會正確顯示為吉米，你看懂了吧？這裡會正確顯示為吉米。
8:08.120–8:09.639
還有其他
8:09.639–8:15.440
像是說「Notebook EM」，啊，現在是Gemini Notebook嗎？即使這樣說，它也會變成Notebook EM，現在變成這樣了。
8:15.440–8:18.840
我們來看看這個填充詞會變成什麼。好，懂嗎？
8:18.840–8:23.159
它正確變成了Notebook EM。即使沒有開啟智慧轉錄，這裡已經出現了智慧差異。接下來讓我們試試這個智慧
8:23.159–8:29.759
即使沒有輸入語音描述，智能差異也已經像這樣出現了。接下來，這個智能
8:29.759–8:33.440
就像剛才的示範一樣，它會反映在語境突然擴大時，例如剛才那樣的情況。因此
8:33.440–8:42.399
例如，明天的會議，明天呢，我們公司會派出4人，不，呃，5人前往。然後明天，呃，雖然今天是星期六，
8:42.399–8:54.080
但關於在該處會議的內容記錄，呃，能否請您在週一後的星期二，不，嗯，星期四左右提供呢？在那之前，我會讓疑似6寫好
8:54.080–9:05.000
、在那裡討論的內容，技術記錄，嗯，最好能等到週一之後，星期二，不，嗯，星期四左右可以嗎？在那之前讓我進行疑似6書寫
9:05.000–9:06.760
大家懂嗎？首先明天的會議，我
9:06.760–9:09.440
說4人，不，5人。然後
9:09.440–9:11.640
它會正確顯示為5人前往。然後在該處
9:11.640–9:14.160
會議的記錄，如果我說星期二或星期四都可以，它會正確納入這些內容。這就是
9:14.160–9:22.560
智慧轉錄的功能。很興奮吧？真的很興奮。
9:22.560–9:27.720
而且，更進一步。更進一步的話，接下來讓我們試試對錄音模型的轉錄。
9:27.720–9:31.000
如果是轉錄，這裡可以開啟說話者標籤。也就是識別
9:31.000–9:34.959
功能。還有單詞時間戳記，
9:34.959–9:41.200
也就是說，它會準確標註在幾分幾秒到幾分幾秒之間說了什麼音訊，並加入[音樂]。
9:41.200–9:43.279
當然，如果您想刪除所有填充詞，或者
9:43.279–9:50.760
希望整潔地處理重複口語的部分，只需開啟智慧轉錄即可。這次使用的音訊
9:50.760–9:55.240
是過去我和X君閱讀樣本會議劇本的錄音。我們稍微聽一下。
9:55.240–10:02.240
那麼，既然帝國已經成立，我們開始新產品開發研討會議。今天希望各位提出新產品的構想，並將其連接到未來的開發中。請進行活躍的意見交流。
10:02.240–10:11.079
好的。從最近的市場調查結果來看，可以說消費者的健康意識正在不斷提高。特別是
10:11.079–10:21.870
30到40歲的人群，就是這種形式。明顯有車1和車2。那麼讓我們將這個交給轉錄模型。接下來，我們將提供目前的音訊檔案。
10:21.880–10:25.870
這樣的話，以這種速度，剛才大約4分鐘，已經測量出多少token了。然後
10:25.880–10:29.110
如果選擇轉錄，這樣就會生成文字轉錄、說話者標籤以及單詞時間戳記，完成了。這樣的話，這裡
10:29.120–10:37.629
1和車2存在著，對吧。那麼，讓我們向這個轉錄模型詢問吧。然後，現在將音頻文件傳遞過去。
10:37.639–10:43.760
這樣做之後，現在大約4分鐘的速度，已經測量出有多少個token了。然後
10:43.760–10:53.839
如果進行轉錄，現在文字轉錄以及說話者標籤和詞語時間戳記就會生成，完成了。那麼，這裡
10:53.839–10:55.920
呢。那麼，既然已經成為帝國，
10:55.920–10:57.959
新產品[音樂]開發研討會開始。
10:57.959–11:03.440
今天，各位會看到從02秒到016秒，說話者03說了這段話。
11:03.440–11:14.160
然後，是的，根據最近的市場調查結果，這正是X君所指出的，說話者標籤完全改變了。我認為這非常了不起。使用這個
11:14.160–11:27.079
模型，我們已經能夠進行相當好的文字轉錄，而且，正如剛才提到的即時API，啊，[音樂]不是嗎？我認為這在未來對行政機關等
11:27.079–11:38.360
方面也會很有幫助。最近，在我們公司與各種行政機關合作的過程中，我想
11:38.360–11:49.839
會有像市民[音樂]、區民、町民等各種各樣的人來旁聽議會，
11:49.839–11:56.040
但對於那些有障礙的人士來說，如果他們說話的內容能即時轉錄並顯示出來，那豈不是非常方便嗎？在
11:56.040–12:08.360
這種情況下，當然也可以使用這個模型，此外，服務窗口也是如此。在與服務窗口進行交流時，
12:08.360–12:11.600
例如，當窗口工作人員說話時，如果文字不斷出現在螢幕上，
12:11.600–12:17.560
作為工具，我認為這個 Transcribe 模型今後將會大放異彩。
12:17.560–12:20.720
非常易用是重點，Smart
12:20.720–12:27.079
Transcription 功能也一併提供，所以說，窗口職員有時也會需要修正口誤，在這種情況下，
12:27.079–12:37.680
當文字顯示出來時，如果有修正，也就是說，一方面請您寫下先生的名字，但之後又說，啊，不好意思，這裡應該是太太的名字，
12:37.680–12:41.279
在該處就會直接輸入，所以如果
12:41.279–12:44.880
試著去寫的話，會變成「啊，原來是這邊」的情況。但是，如果
12:44.880–12:53.199
有 Smart Transcription 功能，最終修正後的文字就會生成，這樣應該就不會有誤認的情況了。因此，
12:53.199–13:03.839
今後這個 Gemini 3.5 Transcribe 不僅僅是單純的文字轉換，我認為它作為與客戶的溝通工具也會大放異彩。這真的是超
13:03.839–13:06.000
很有趣。請大家務必從Google AI Studio嘗試看看。
13:06.000–13:07.560
我再重複說明一次，
13:07.560–13:13.480
請選擇這個模型，那個，不一定非要選擇音訊模式。例如，在搜尋欄位輸入「Transcribe」，
13:13.480–13:23.079
就一定會出現結果，這個「Transcribe」就是所謂的即時[音樂]轉錄。
13:23.079–13:25.000
支援即時文字轉錄。
13:25.000–13:29.920
上方的部分可以視為音訊資料。不過，
13:29.920–13:39.160
雖然這是錄製的音訊資料，但實際上Transcribe並非即時文字轉錄，這裡也準備了「錄製音訊」按鈕。所以，
13:39.160–13:42.639
即使是要從這裡擷取音訊，當然也是沒問題的。因此，事先沒有音訊
13:42.639–13:51.519
就算沒有音訊資料，只要按下「錄製音訊」按鈕，然後以「開始錄音」的方式啟動，現在我說話時就會像這樣，出現「嗡嗡嗡」的波動。
13:51.519–13:53.120
這樣現在就能取得音訊。
13:53.120–13:57.480
所以，我覺得用這種方式製作也可以。
13:57.480–14:02.600
首先，大家一定要使用它。
14:02.600–14:05.399
因為一旦使用，一定會感到感動。
14:05.399–14:12.279
基於這種文字轉錄的即時性與準確性，您可以想像在業務中或許能派上用場，或者「啊，這個業務似乎可行」，請不斷地擴大想像。
14:12.279–14:16.279
如果未來這個功能進入 Canvas，
14:16.279–14:18.320
會怎麼樣呢？如果進入 Canvas
14:18.320–14:27.440
一旦透過 Canvas API 實現了這項功能，大家就能動手打造剛才提到的即時語音轉文字工具之類的應用了。在 Google AI Studio 中
14:27.440–14:38.480
雖然這可能會成為學習的課題，但對於導入Google Vertex AI的企業來說，如果這個模型進入了Canvas API，那就太厲害了，希望大家拭目以待
14:38.480–14:40.199
在A公司，我們是透過這種方式
14:40.199–14:52.440
現在生成式AI產業正不斷快速發展，我認為Google之所以能接連推出各種有趣的模型，正是因為他們擁有豐富的數據資源
14:52.440–14:55.279
然後，這只是針對我們而言
14:55.279–14:58.880
這就是他們提出這些模型時所暗示的意圖，也就是告訴我們這些模型有什麼用處。
14:58.880–15:10.240
我們將研究這些模型能在哪些領域應用，並透過YouTube向各位展示，以此協助大家的數位轉型（DX）。如果有興趣，
15:10.240–15:15.759
請至簡介欄位中的聯絡頁面詢問，歡迎隨時與我們聯繫。本頻道這次
15:15.759–15:24.600
介紹了Gemini Transcribe [音樂]模型，但Google確實擁有許多服務，而且每天還在不斷增加。
15:24.600–15:29.759
我們希望能盡可能多地介紹這些服務，為各位提供資訊。請務必訂閱頻道
15:29.759–15:31.160
謝謝大家。再見。
15:31.160–15:36.269
嗯，你是顆粒派還是泥流派呢？
15:36.279–15:42.399
泥流派佔絕對優勢呢。
15:42.399–15:44.319
對的人不好意思，覺得泥流派消失就好了的人，覺得泥流派太激進了。
15:44.319–15:49.079
哎呀哎呀，頻道觀眾大概會少掉一半呢。
15:49.079–15:52.030
不會啦，大概有70%是顆粒派吧。
15:52.040–15:54.120
那會少掉30%耶。
15:54.120–15:55.079
少掉30%。嗯，不過只要變成泥流派就好了啦。但是啊，看到烤糰子裡有豆沙餡真開心。是顆粒對吧。
15:55.079–15:55.645
流失30%。不過只要變成支持派就好啦。但是說真的，看到有人願意投入支持我很開心。是顆粒狀的對吧。
15:55.655–16:03.230
烤糰子呢？
16:03.240–16:03.870
顆粒呢？今川燒呢？
16:03.880–16:05.990
顆粒比較好。
16:06.000–16:06.749
不是顆粒嗎？已經
16:06.759–16:07.910
紅豆泥泥流派比較好吧。
16:07.920–16:09.189
不，紅豆泥因為只有泥流派啊，所以我是覺得紅豆泥應該出顆粒比較好。
16:09.199–16:13.670
因為我是泥流派，所以有點討厭紅豆泥。味道確實很好吃，這點我承認，但如果是顆粒的話會更好吃，所以我總是這麼想。
16:13.680–16:20.069
不，吃麻糬時會卡住，所以享受Q彈口感才是重點啊。
16:20.079–16:26.550
紅豆泥裡麻糬也像是主角一樣，因為紅豆和麻糬都是主角般的雙主演，所以有了顆粒
16:26.560–16:28.406
因為紅豆和麻糬都有點像主角，所以紅豆雖然也是主角，但麻糬也像是主角，這種雙主演的感覺會讓人覺得有顆粒感反而更好
16:28.406–16:36.800
有顆粒感才是正統
16:36.800–16:47.389
現在這種恰到好處的1對1平衡，主角已經習慣了，如果馬上就來的話，餅會抱怨的，所以目標就是這樣吧？嗯，那你是不是該退場啊？[笑]
16:47.399–16:51.470
光靠我們家孩子就能搞定，感覺你本能上也很在意顆粒感吧
16:51.480–16:52.189
我想大家應該都在追求吧。請大家認真思考，希望你們在考慮未來只能二選一、只能吃其中一種的情況下回答。兩種都吃那就太任性了。
16:52.199–17:02.110
當你在腦中想像只能吃其中一種時，是顆粒還是泥流派，選擇泥流派的瞬間，未來的烤糰子就全是泥流派了，未來的今川燒就全是顆粒了，以前也是這樣。
17:02.120–17:13.549
當你在腦中比較只能選一種吃的選項時，不管是選粒還是腰，一旦選擇了腰，以後的烤龍蝦就全部是腰了，以後的烤龍蝦就全部是星了，以前也是這樣。
17:13.559–17:15.720
請多多指教。請多多指教。
17:15.720–17:17.000
敬請多多指教。拜託了。
0:00.080–0:02.000
ja皆さん、こんにちは。先生です。コ介先生
大家好，我是老師，Ko介老師。
0:02.000–0:05.160
ja、普段こんなこともやってるので、気になる方はチェックしてみてください。今日
因為我平常也會做這類事情，所以有興趣的人請務必查看。今天
0:05.160–0:11.040
jaはですね、新たな化け物の生誕祭でございます。ジェミニのトランスクライブモデル
呢，是全新怪物的誕生祭。Gemini的轉錄模型
0:11.040–0:13.880
jaというのができましたと。何かと言うと、
已經完成了。說起來，
0:13.880–0:16.520
ja端的に言えば文字起こしです。テキストの
簡單來說就是文字轉錄。這是文本的
0:16.520–0:22.600
ja文字起こしモデルなんですが、こいつね、やばい。めちゃくちゃやばいので、是非皆
文字轉錄模型，但這傢伙，太強了。非常非常強，所以希望大家
0:22.600–0:28.230
jaさんご覧いただければと思います。
都能來看看。
0:28.240–0:30.679
jaもう早速いきましょう。新たな化け物の
我們馬上開始吧。全新怪物的
0:30.679–0:34.680
ja誕生ということでですね、今回ご紹介させていただければと思います。今回ご紹介
誕生，這次我想向大家介紹。這次我要介紹的是這個Gemini 3.5轉錄這樣的模型，已經成為Google所生產的擁有市場最高水準的語音識別模型。這個模型
0:34.680–0:47.120
jaするのはこちらジェミ3.5トランスクライブというようなモデルになってきて、もうですね、Googleが産んだ市場最高制度を誇る音声認識モデルでございます。このモデル
呢，是為了智能語音對話，什麼是智能語音對話呢，當然可以做單純的文字轉錄，但[音樂]不僅僅如此，稍後
0:47.120–0:57.680
jaはですね、もうインテリジェントな音声対話のために、インテリジェントな音声対話って何かなというようなことで、単なる文字起こしもちろんできるんですけど、[音楽]それだけではないっていう
這個模型是專為智能語音對話而設計的，所謂的智能語音對話究竟是什麼呢？它當然能進行單純的文字轉錄，但[音樂]絕不僅止於此。
0:57.680–1:02.079
jaのを後ほどですね、ご覧いただければと思います。で、普通のものだとですね、
遇到背景噪音或專業術語時，會瞬間變成不同的詞，或者例如聽到Gemini時，我們都知道不是Gni，
1:02.079–1:13.000
ja背景雑音とか、あと専門用語が出てくると途端に違う言葉に変わっちゃったり、もしくは例えばジェミニって言われたら我々知ってるじゃないですか。Gniじゃ
面對背景噪音或專業術語出現時，傳統模型往往會將詞語誤轉為其他內容，或者例如聽到「Gemini」時，我們都知道它，但系統可能會誤轉為「Gni」等情況，這些校正問題正是傳統模型所面臨的課題。
1:13.000–1:14.960
jaないですか。それカタカナでジェミって出
這樣的話，傳統模型在這種校正方面存在課題，而這個模型已經[音樂]完全超越了。稍後會展示，真的
1:14.960–1:23.600
jaてきちゃったりだとかそういった部分にこう補正っていう部分で課題を抱える従来のモデルとはですね、もう[音楽]一戦を隠してます。後ほどお見せしますけど本当
而這個模型已經與傳統模型[音樂]劃清了界線。稍後會展示給大家看，事實確實如此。
1:23.600–1:26.040
jaにえぐいですよ。これね、私ね、想像以上
還要興奮。從昨天發表以來就一直
1:26.040–1:28.159
jaにテンション上がってます。もう昨日これ
在Google AD上這樣那樣地測試。如果這樣說會怎樣。如果那樣說會怎樣，瘋狂地測試。
1:28.159–1:32.680
jaが発表されてからずっとGoogleADでこういう風に言ったらどうかな。ああ
這就是Gemini 3.5轉錄的強大之處。它實現了將語音轉換為格式化文本的技術。實際上
1:32.680–1:34.240
jaいう風に言ったらめちゃくちゃ試してる。
這篇文章，也希望大家務必閱讀。當然
1:34.240–1:40.079
jaそれぐらいこのジェミ3.5トランスクライブはAです。でも性格かつ
是英文。因為是英文，所以請像我一樣
1:40.079–1:45.159
jaされたフォーマット済みテキストへ変換する技術を実現しております。で、実際
翻譯成日文，這樣的話，這裡也支援即時串流，還能處理預先錄音的語音。對於
1:45.159–1:49.439
jaこの記事ですね、こちらも是非皆さんお読みいただければと思います。もちろん
這些內容，有像這樣的參考影片出現。讓我們
1:49.439–1:51.799
ja英語です。英語なので日本語にですね、私
聽聽這個人的聲音吧。
1:51.799–2:00.799
jaのように翻訳していただいて、そうするとですね、色々この辺りにもリアルタイムストリーミングにも対応してるし、事前録音された音声の処理もできると。で、
剛才這裡顯示的，我認為是基於Gemini轉錄模型構建的應用程式，接下來這個人會說話，讓我們看看文字轉錄有多即時。
2:00.799–2:05.479
jaそれの参考となるですね、こう動画みたいなものがこう出てるわけですよ。で、この
3.5 Transcribe Live是我們最新的即時語音轉錄模型。它在多語言
2:05.479–2:07.439
ja人とかね、ちょっとだけ聞いてみましょうか。
轉錄方面特別出色。所以我可以用英文開始一句話，你懂嗎？
2:07.439–2:19.390
jaとしたらまさに今ここに映ってるのがこれジェミのトランスクライブモデルで構築されたアプリケーションだと思いますが、今からこの人喋りますと、どれぐらいリアルタイムに文字が起こされていくかちょっと見ていきましょう。
如果說現在螢幕上顯示的正是基於Gemini Transcribe模型建構的應用程式，那麼接下來讓我們來看看，當這位講者說話時，文字轉錄能多快即時生成。
2:19.400–2:27.190
en3.5Transcribeliveisourlatestmodelfortranscribingspeinrealtime.It'sparticularlygoodatmultilingual
但如果不這樣做，改為自動識別，就能以這種方式處理各種語言。而且現在幾乎沒有延遲
2:27.200–2:37.080
jatranscription.SoIcanstartasentenceinEnglish分かりますか?
Transcription. So I can start a sentence in English 大家聽得懂嗎？
2:37.080–2:44.710
jaこれ途中でしかも言語変わった時にそれで認識するわけですよ。デフォルトでもちろん日本語っていう風にやることもできるんですよ。
而且它在中途切換語言時也能正確識別。當然，預設設定也可以僅使用日語。
2:44.720–2:52.519
jaでもそうではなくて自動認識みたいな形にすればこんな形でどんどんどんどん別の言語でもできると。しかも今ほとんど遅延
剛才提到的智能轉錄，也就是說，請看這裡，這是所謂的普通模式和智能轉錄激活狀態，也就是說，
2:52.519–2:54.040
jaなかったですよね。これぐらいで
例如說話時說明天會議三人，啊，不，四人參加，不是嗎。最後到底幾個人
2:54.040–2:55.480
jaトランスクライブできるわけです。で、
參加呢，是四人對吧。這樣
2:55.480–3:08.319
jaさらに先ほどスマートな文字起こしってつまり何かと言うとですね、これちょっとこちら見ていただくとこれがいわゆるそのままのモードとこれスマートリプションアクティブということで要はですね、
此外，剛才提到的智能轉錄究竟是什麼意思呢？請大家看這裡，這就是所謂的「一般模式」與「智能轉錄啟用」模式，也就是說，
3:08.319–3:16.480
ja例えば話してる時に明日の会議は3人、あ、いや4人で伺いますって言ったりするじゃないですか。そしたら最終的に何人で
例如當您說話時說「明天的會議有3人，啊，不，是4人參加」，那麼最終系統會判斷為幾人
3:16.480–3:18.400
ja伺うんだって言ったら4人ですよね。そう
這裡有類似示範的內容，我們來看看。我想要
3:18.400–3:21.440
jaすると明日は4人で伺います。なるわけ
大杯加兩泵牛奶、無糖、去冰、輕乳酪，將堅果焦糖化，去除堅果殼並製作
3:21.440–3:23.519
jaですよ。それがいわゆるこのスマート
常規。我想要完全改變從大杯到中杯，你懂嗎？
3:23.519–3:25.239
jaクリプションアクティブの状態ですね。
左側最初要求的是大杯加無冰，不需要冰，然後從大杯改為中杯，一開始說的是大杯。
3:25.239–3:28.439
jaちょっとこれデモみたいなものがあるので見ていきましょう。Iwanta
這裡有個類似Demo的東西，我們來看看。Iwanta
3:28.439–3:39.640
enlargewithoట్milktwopumpsofhallelnutandexrashandlightiactallymakethehanutintocaramelremovetheexrashandmakeit
大杯牛奶兩泵香草醬和堅果碎，輕柔地將堅果炒成焦糖，去除堅果碎並完成製作。
3:39.640–3:45.309
jaregulariwanoiatallchangethesൈfromlgetomedium分かります?
常規尺寸，不換成高杯，將杯型從大杯改為中杯，懂嗎？
3:45.319–3:56.949
jaこれ左側は最初こう頼んでいたものに対してウェイトとノーアイスアイスはいらないよとでchangefromラージからミディアムにというような形で最初にラージと言っているわけですよ。
這左側是初始請求的內容，針對重量和無冰（不需要冰塊），將杯型從大杯改為中杯，也就是最初說的是大杯。
3:56.959–4:01.840
jaでも最終的に、あ、やっぱミディアムに変えてくださいって言ったら見てください。これIwanta
但最終，啊，請改為中杯，請看，這是Iwanta。
4:01.840–4:11.439
jamedミディアムアイスドラテもうあ、変わったんだったら最初のやつ変えちゃえばいいやというような形でスマートモジ起こしたらつまりこういうことなわけですね。これすごくないですか?これ
中杯冰拿鐵，啊，既然要改變，就把最初的也改掉吧，這就是智慧文字轉錄的意思，也就是說這樣子，這不是很厲害嗎？這
4:11.439–4:17.799
jaしかもリアルタイムにどんどんどんどんこう書き起こしながら最終的に綺麗なものにしてくれるっていう。これね、本当
而且即時不斷地進行文字轉錄，最終會整理成漂亮的結果。這真的
4:17.799–4:19.799
jaえぐいですよ。で、ちょっとこれですね、
太誇張了。然後，稍微這個呢，
4:19.799–4:34.960
jaどんだけえぐいかというのを私なりにですね、つまりこういうことよねということでまとめましたので、1つ目、録音データに対するAPIということで、まずこちらのモデルは録音データとかですね。なので例えば
到底有多誇張，我以自己的方式總結如下，也就是說這樣子，第一點，針對錄音數據的API，首先這個模型是用於錄音數據之類的。所以例如
4:34.960–4:40.080
ja会議録とかのその文字起こしとかしたいんだったらもちろん使えますと。で、さらに
如果是會議記錄之類的文字轉錄，當然可以使用。並且，進一步
4:40.080–4:46.880
ja録音データに対してであれば認識ラベルがつきます。で、認識ラベル一応現在
針對錄音數據會加上識別標籤。識別標籤目前
4:46.880–4:52.160
jaサポート対象というかですね、最大3人までは間違いなく認識できますよと。それ
支援對象方面，最多三人可以確定識別。那
4:52.160–4:56.600
ja以上の場合は試験段階ですというような書かれ方をしています。先ほどで言うと
以上的情況則是試驗階段，這樣寫道。剛才提到
4:56.600–5:00.280
jaこちらですね、認識ができますよ。最大3
這裡呢，可以識別。最多三人
5:00.280–5:06.479
ja人の話者についてタイムスタンプが正確に識別できます。ただそれ以上の話者の場合
的話者，時間戳記可以精確識別。只是超過的話者
5:06.479–5:11.199
jaは試験段階なので、もちろん間違えることありますよと。出方としてスピーカー0、
則是試驗階段，當然可能會出錯。輸出格式會寫成說話者0、
5:11.199–5:19.800
jaスピーカー1[音楽]、スピーカー2というような書かれ方がするんですが、例えばスピーカー3、スピーカー4ってこう振られていった時にスピーカー5の人がもしかしたらそれスピーカー1の人が
說話者1[音樂]、說話者2等，例如當標記為說話者3、說話者4時，說話者5的人也許會認為那是說話者1的人
5:19.800–5:30.360
ja話したことだよねってことがあるかもしれませんが、少なくとも試験段階ということは徐々に徐々にそのサポート範囲っていうのは広がっているんだろうなという風に感じますと。これは録音データに対する
說的話，但至少是試驗階段，感覺支援範圍會逐漸擴大。這是針對錄音數據的
5:30.360–5:35.680
jaものが話者認識対応できるというような形ですね。そしてリアルタイム文字起こしに
話者識別對應的形式。並且即時文字轉錄也
5:35.680–5:40.039
ja対しても対応してて、それがライブAPIというような形になっています。で、この
對應，這就是Live API的形式。然後，這個
5:40.039–5:45.000
ja2つ両方ともスマート起こしに対応してるというようなところでございます。これ
兩者都對應智慧文字轉錄。這
5:45.000–5:47.800
ja実際見てみますか?見ましょう皆さん。
實際上看一下嗎？大家來看吧。
5:47.800–5:50.319
jaGoogleAISTIOに行きます。そ
前往Google AI Studio。那
5:50.319–5:56.199
jaしたらですね、GoogleAISTIOのトップページからご覧いただきましょうか。こちらGoogleAISTIOで
麼，讓我們從Google AI Studio的頂頁開始看吧。這裡是Google AI Studio
5:56.199–5:58.720
jaございます。として私も昨日からずっと
。因為我從昨天開始就一直
5:58.720–6:12.240
jaこのトランスクライブやってるので先にこうなっちゃいましたけどこちら押していただいておそらく最初ですね多分ジェミニ3.7フラッシュとかが選ばれているんじゃないかなと思いますがこのモデルのところをクリックいただいてそし
使用這個轉錄功能，所以已經變成這樣了，但請點擊這裡，可能最初選擇的是Gemini 3.7 Flash之類的，但請點擊這個模型部分，然後
6:12.240–6:25.280
jaたらこのオーディオっていうところですねディオってところを押していただくとここにジェミニ3.5トランスブとこの下にジェミニ3.5トランスブライブというものがございますとそしたらまずジェミニ
點擊這裡的音訊部分，點擊音訊，這裡有Gemini 3.5 Transcribe，下方還有Gemini 3.5 Transcribe Live。那麼首先從Gemini
6:25.280–6:28.639
ja3.5トランスクライブライからいきましょうか。で、これクリックして
3.5 Transcribe開始吧。然後，點擊這個
6:28.639–6:32.479
jaいただくとこんな形になっていて、これ分かりますかね?ディテクトって書いて
會變成這樣，這懂嗎？寫著Detect，
6:32.479–6:37.560
jaあるので、ディテクトって名探偵コなんで私も覚えたんですけど、あれディテクティブボーイズじゃないですか。
Detect是名偵探柯南，我也記住了，但那不是Detective Boys嗎。
6:37.560–6:39.240
jaなのでやっぱ探るってことなんでしょね。
所以應該是探索的意思吧。
6:39.240–6:41.000
jaディテクトというのは。で、これを
Detect是這個意思。然後，這個
6:41.000–6:47.360
jaディテクトなのか、もしくはもう最初っから日本語ジャパニーズっていう風に指定するかですね。ま、ここは自由にして
是設定為Detect，或者一開始就指定為日語Japanese，嗯，這裡可以自由設定
6:47.360–6:49.379
jaいただいて結構かなと思います。そして
沒關係。然後
6:49.379–6:51.720
ja[音楽]これです。このスマート
[音樂]就是這個。這個智慧
6:51.720–6:53.960
jaランスプtョン。これがまさにスマート
轉錄。這正是智慧
6:53.960–7:00.879
ja文字起こしなんですが、そしたらまずはスマートリプションやらない場合にしましょうか。やらない場合にどういう文章
文字轉錄，那麼首先來看看不使用智慧轉錄的情況。不使用時會
7:00.879–7:03.160
jaが出てくるか。これ私がいつものように
出現什麼樣的文字。這我像平常一樣
7:03.160–7:04.960
ja喋りますね。いつものように喋っている
說話。像平常一樣說話
7:04.960–7:10.759
ja段階のをどんどんどんどん文字起こしされるのでそれご覧いただければと思います。このトークボタンを押していただいて
的階段會不斷進行文字轉錄，所以請看。按下這個對話按鈕
7:10.759–7:14.840
jaそうするとここに今コネクティングtoserverとなってます。で、その後
然後這裡現在顯示正在連接伺服器。然後之後
7:14.840–7:19.680
jaマイクがオンになって今まさに私話している段階でございます。そうすると
麥克風已開啟，我現在正在說話。
7:19.680–7:24.280
jaどんどんどんどんこれ今書かれてますよね。で、いわゆる私が喋っている言葉という
這些文字正不斷被記錄下來。也就是說，我所說的話
7:24.280–7:35.120
jaのがリアルタイムにどんどんどんどん文字起こしされていって、で、ちょっと一呼吸置くとこれが完全にこういった文字言いましたよねっていうような形で書かれます。で、今一呼置きました。そうすると
會即時被逐句轉錄，然後稍微停頓一下後，就會以這種完整的句子形式呈現出來。剛才我停頓了一下。
7:35.120–7:38.840
jaこんな形で文字というのがいわゆるセンテンスでしょうね。これでワン
這樣文字就會以所謂的句子形式顯示出來。
7:38.840–7:42.960
jaセンテンスですよねっていう形でこう出てくると。で、これがいわゆるスマート
這樣一個句子就會這樣顯示出來。這就是所謂沒有
7:42.960–7:45.919
jaランスクリプションがない状態。一般的
智慧轉錄功能的狀態。一般來說
7:45.919–7:48.520
jaな文字起こしに近いかなと思います。ただ
比較接近一般的轉錄方式。不過
7:48.520–7:59.560
jaああとかええーとかそういったものもですね、少しはいわゆるそういったフィラーとかもですね、結構省かれてるようには感じますね。こんな形です。結構な精度じゃ
像「啊」或「嗯」之類的詞，雖然多少會有一些，但我感覺所謂的填充詞也被相當程度地省略了。就是這種形式。精度相當高吧？
7:59.560–8:01.520
jaないですか?てかだ精度高いすよね。
不是說精度很高嗎？
8:01.520–8:03.800
ja分かります?例えばここで私がジェミニと
懂嗎？例如這裡我說吉米
8:03.800–8:08.120
jaかって言ってもちゃんとジニはほら分かります?これちゃんとジェミニとして出て
即使我說吉米，它也會正確顯示為吉米，你看懂了吧？這裡會正確顯示為吉米。
8:08.120–8:09.639
jaくるわけですよ。とかあとは
還有其他
8:09.639–8:15.440
jaノートブックエム、あ、今だとジェミノートブックですかみたいな形を言ってもノートブックエレム今こうなりましたね。
像是說「Notebook EM」，啊，現在是Gemini Notebook嗎？即使這樣說，它也會變成Notebook EM，現在變成這樣了。
8:15.440–8:18.840
jaこれちょっとフィとどうなるか見てみましょうか。はい、分かります?
我們來看看這個填充詞會變成什麼。好，懂嗎？
8:18.840–8:23.159
jaノートブックエレムってちゃんとなりましたよ。こういったところがもうスマート
它正確變成了Notebook EM。即使沒有開啟智慧轉錄，這裡已經出現了智慧差異。接下來讓我們試試這個智慧
8:23.159–8:29.759
jaランスクリプション入れてなくてもすでにスマート差がこう出てるわけですよね。では続いてこのスマート
即使沒有輸入語音描述，智能差異也已經像這樣出現了。接下來，這個智能
8:29.759–8:33.440
jaランスクリプションを試してみましょう。スマートトランスクリプションの場合は
就像剛才的示範一樣，它會反映在語境突然擴大時，例如剛才那樣的情況。因此
8:33.440–8:42.399
ja先ほどのデモでもやってたようにいわゆる文脈がこうぶわーっとあった中でいやっぱさっきのはみたいなところを反映をしてくれる機能になっていますと。なので
例如，明天的會議，明天呢，我們公司會派出4人，不，呃，5人前往。然後明天，呃，雖然今天是星期六，
8:42.399–8:54.080
ja例えばですよ、明日の打ち合わせですが、明日はですね、弊社から4人、いや、えっと、5人伺います。で、明日、え、土曜日ですけれども
但關於在該處會議的內容記錄，呃，能否請您在週一後的星期二，不，嗯，星期四左右提供呢？在那之前，我會讓疑似6寫好
8:54.080–9:05.000
ja、そこで打ち合わせた内容の技似録は、え、なるべく週明けのですね、火曜日、いや、うん、木曜日ぐらいまでもらっていいですかね。それまでには疑似6書かせて
、在那裡討論的內容，技術記錄，嗯，最好能等到週一之後，星期二，不，嗯，星期四左右可以嗎？在那之前讓我進行疑似6書寫
9:05.000–9:06.760
jaいただければと思います。どうです皆さん
大家懂嗎？首先明天的會議，我
9:06.760–9:09.440
ja?分かります?まず明日の打ち合わせ、私
說4人，不，5人。然後
9:09.440–9:11.640
ja4人、いや、5人って言いましたと。そし
它會正確顯示為5人前往。然後在該處
9:11.640–9:14.160
jaたらちゃんと5人伺いますと。で、そこで
會議的記錄，如果我說星期二或星期四都可以，它會正確納入這些內容。這就是
9:14.160–9:22.560
ja打ち合わせた技似録は火用いや木曜までもらっていいですかって言ったらちゃんとそれが入ってくると。これがですねこの
智慧轉錄的功能。很興奮吧？真的很興奮。
9:22.560–9:27.720
jaスマートトランスクリプションなわけですよ。もう興奮でしょ?もう興奮ですよ。で
而且，更進一步。更進一步的話，接下來讓我們試試對錄音模型的轉錄。
9:27.720–9:31.000
ja、さらにです。さらにそしたら今度は録音
如果是轉錄，這裡可以開啟說話者標籤。也就是識別
9:31.000–9:34.959
jaされたモデルに対するトランスクライブもやってみましょうか。で、
功能。還有單詞時間戳記，
9:34.959–9:41.200
jaトランスクライブの場合はここにスピーカーラベルズというものがオンにできるようになってます。いわゆる認識
也就是說，它會準確標註在幾分幾秒到幾分幾秒之間說了什麼音訊，並加入[音樂]。
9:41.200–9:43.279
jaですね。で、ワードタイムスタンプという
當然，如果您想刪除所有填充詞，或者
9:43.279–9:50.760
jaことで何分から何分の間にこういう音声が言われてるよねっていうタイムスタンプもしっかりと[音楽]入れてくれると。で、
希望整潔地處理重複口語的部分，只需開啟智慧轉錄即可。這次使用的音訊
9:50.760–9:55.240
jaもちろんその時にもフィラーとかを全部消したいなとかですね。あとは言い直し
是過去我和X君閱讀樣本會議劇本的錄音。我們稍微聽一下。
9:55.240–10:02.240
jaてるところとかも全部綺麗にして欲しいなと思ったらスマートランスプションをオンにすればいいわけですね。今回使う音声は
那麼，既然帝國已經成立，我們開始新產品開發研討會議。今天希望各位提出新產品的構想，並將其連接到未來的開發中。請進行活躍的意見交流。
10:02.240–10:11.079
ja過去にですね、私とX君がサンプル会議のですね、台本を読んだものになってまいります。ちょっとだけ聞きましょうか。
好的。從最近的市場調查結果來看，可以說消費者的健康意識正在不斷提高。特別是
10:11.079–10:21.870
jaそれでは帝国になりましたので新製品開発検討会議を始めます。本日は皆様から新製品のアイデアを出し合っていただき今後の開発につなげていきたいと考えています。活発な意見交換をお願いします。
30到40歲的人群，就是這種形式。明顯有車1和車2。那麼讓我們將這個交給轉錄模型。接下來，我們將提供目前的音訊檔案。
10:21.880–10:25.870
jaはい。最近の市場調査の結果から消費者の健康思考はもます高まっていると言えるでしょう。特に
這樣的話，以這種速度，剛才大約4分鐘，已經測量出多少token了。然後
10:25.880–10:29.110
ja30代から40代のま、こんな形ですよ。明らかにワ車
如果選擇轉錄，這樣就會生成文字轉錄、說話者標籤以及單詞時間戳記，完成了。這樣的話，這裡
10:29.120–10:37.629
ja1と車2がいるわけですよね。じゃあこれをこちらのトランスクライブモデルに聞かせていきましょう。そしたらですね、今の音声ファイルを渡します。
1和車2存在著，對吧。那麼，讓我們向這個轉錄模型詢問吧。然後，現在將音頻文件傳遞過去。
10:37.639–10:43.760
jaで、そうするともうこの速さで今4分ぐらいでしたけど、何トークンかってのがもう測られましたね。そして
這樣做之後，現在大約4分鐘的速度，已經測量出有多少個token了。然後
10:43.760–10:53.839
jaトランスクライブという風にするとこれで今文字起こしかつスピーカーラベルがついてワードタイムスタンプがついて生成されるとできましたよ。そうするとこちら
如果進行轉錄，現在文字轉錄以及說話者標籤和詞語時間戳記就會生成，完成了。那麼，這裡
10:53.839–10:55.920
jaですね。それでは帝国になりましたので
呢。那麼，既然已經成為帝國，
10:55.920–10:57.959
ja新製品[音楽]開発検討会議を始めます。
新產品[音樂]開發研討會開始。
10:57.959–11:03.440
ja本日は皆様からこれが02秒から016秒にスピーカー03が言いましたよねと。
今天，各位會看到從02秒到016秒，說話者03說了這段話。
11:03.440–11:14.160
jaそしてはい、最近の市場調査の結果からこれまさにX君が言ったやつですけどスピーカーラベルは完全に変わっていると。これはねすごいと思いますよ。この
然後，是的，根據最近的市場調查結果，這正是X君所指出的，說話者標籤完全改變了。我認為這非常了不起。使用這個
11:14.160–11:27.079
jaモデルを使えばもう相当いい文字起こしもできますし、これですね、やっぱりこうリアルタイム文字起こし先ほどのライブAPIあっ[音楽]たじゃないですか、あれがすごく今後それこそ行政機関とかで
模型，我們已經能夠進行相當好的文字轉錄，而且，正如剛才提到的即時API，啊，[音樂]不是嗎？我認為這在未來對行政機關等
11:27.079–11:38.360
jaも役に立つだろうなと思っていて、最近ですね、弊社の方でもいろんな行政機関と仕事をさせていただく中で、例えば議会をこう見にくる市民[音楽]の方、区民の方、町民の方、様々な方いらっしゃると思い
方面也會很有幫助。最近，在我們公司與各種行政機關合作的過程中，我想
11:38.360–11:49.839
jaますが、その時に昇格の方にですね、障害がお持ちの方であればやは話していることかが文字起こしにリアルタイムに文字起こしされて表示されたらめちゃくちゃ便利じゃないですか?そう
會有像市民[音樂]、區民、町民等各種各樣的人來旁聽議會，
11:49.839–11:56.040
jaいったところでももちろんこのモデルというのは使えますし、あとは窓口もそうですよね。窓口とかでやり取りをする時も
但對於那些有障礙的人士來說，如果他們說話的內容能即時轉錄並顯示出來，那豈不是非常方便嗎？在
11:56.040–12:08.360
ja例えば窓口担当職員がお話をした時にそれが例えばディスプレイにどんどんどんどんこう文字が出ていったらですね、もちろんこちら側もお客様の方もあ、こういうこと言ってるんだなってことで分かるわけじゃ
這種情況下，當然也可以使用這個模型，此外，服務窗口也是如此。在與服務窗口進行交流時，
12:08.360–12:11.600
jaないですか。そういったやはり様々な言語
例如，當窗口工作人員說話時，如果文字不斷出現在螢幕上，
12:11.600–12:17.560
jaをツールとしてですね、このトランスクライブモデルというのは今後輝いていくんだろうなと思いますと。で、
作為工具，我認為這個 Transcribe 模型今後將會大放異彩。
12:17.560–12:20.720
jaめちゃくちゃ使いやすいっていうのがポイントですよね。スマート
非常易用是重點，Smart
12:20.720–12:27.079
jaランスクリプションもついているので、それこそね、窓口の職員とかも言い直すことあると思うんですよ。その時にこう
Transcription 功能也一併提供，所以說，窗口職員有時也會需要修正口誤，在這種情況下，
12:27.079–12:37.680
ja文字で書かれた時に言い直しがあると、要は一方ではこちらに旦那様の名前をお書きください言われて、でもその後、あ、すいません。ここは奥様の名前でしたってなっ
當文字顯示出來時，如果有修正，也就是說，一方面請您寫下先生的名字，但之後又說，啊，不好意思，這裡應該是太太的名字，
12:37.680–12:41.279
jaた時にもうそこだけでノインプットされちゃうじゃないですか。で、そうすると
在該處就會直接輸入，所以如果
12:41.279–12:44.880
jaそれで書こうと思ったらああ、こっちだったのねってなると思うんですね。でもこの
試著去寫的話，會變成「啊，原來是這邊」的情況。但是，如果
12:44.880–12:53.199
jaスマートトランスクリプションがあれば最終的な言い直された結果の文字が出来上がるのでそうすると多分5認識っていうのもなくなると思うんですよね。なの
有 Smart Transcription 功能，最終修正後的文字就會生成，這樣應該就不會有誤認的情況了。因此，
12:53.199–13:03.839
jaで今後このジェミニ3.5トランスクライブというのはもちろん単なる疑似6の文字起こしとかもそうですしな方とのコミュニケーションツールとしても輝くと思うんですよ。これはね超
今後這個 Gemini 3.5 Transcribe 不僅僅是單純的文字轉換，我認為它作為與客戶的溝通工具也會大放異彩。這真的是超
13:03.839–13:06.000
ja楽しい。是非皆さんGoogleAIST
很有趣。請大家務必從Google AI Studio嘗試看看。
13:06.000–13:07.560
jaから試してみてください。もう1度言い
我再重複說明一次，
13:07.560–13:13.480
jaますけれども、このモデルのところ選んでいただいて、あの、別にオーディオにしなくてもいいですよ。例えばここのサーチ
請選擇這個模型，那個，不一定非要選擇音訊模式。例如，在搜尋欄位輸入「Transcribe」，
13:13.480–13:23.079
jaのところにですね、トランスライブっていう風に入れていただければもう間違いなくヒットするので、で、このトランスクライブライブというのがいわゆるリアル[音楽]タイムです。
就一定會出現結果，這個「Transcribe」就是所謂的即時[音樂]轉錄。
13:23.079–13:25.000
jaリアルタイム文字起こしに対応してます。
支援即時文字轉錄。
13:25.000–13:29.920
jaそして上の方は音声データという風に捉えていただければと思います。ただ録音され
上方的部分可以視為音訊資料。不過，
13:29.920–13:39.160
jaた音声データなんですけど、実際トランスクライブの方もですね、リアルタイムな文字起こしではないんですけど、ここにですね、レコードオーディオというボタンも用意されています。なので、これ
雖然這是錄製的音訊資料，但實際上Transcribe並非即時文字轉錄，這裡也準備了「錄製音訊」按鈕。所以，
13:39.160–13:42.639
jaから音声を取るという場合でもちろんオッケーです。なので事前に音声
即使是要從這裡擷取音訊，當然也是沒問題的。因此，事先沒有音訊
13:42.639–13:51.519
jaデータなかったとしてもレコードオーディオを押していただいて、で、もうこれでスタートレコーディングという風にすれば、ここ上で今私が喋るとこうやってなんかフワンファンファンファンってなっ
就算沒有音訊資料，只要按下「錄製音訊」按鈕，然後以「開始錄音」的方式啟動，現在我說話時就會像這樣，出現「嗡嗡嗡」的波動。
13:51.519–13:53.120
jaてるじゃないですか。これで今音声が取ら
這樣現在就能取得音訊。
13:53.120–13:57.480
jaれているような状態になりますので、こういった形で作ってもいいかなと思います。
所以，我覺得用這種方式製作也可以。
13:57.480–14:02.600
jaひまずですね、皆さん絶対に使ってください。で、使ったら100%感動し
首先，大家一定要使用它。
14:02.600–14:05.399
jaますから。で、この文字起こしのリアルさ
因為一旦使用，一定會感到感動。
14:05.399–14:12.279
jaというか、正確さを元にあの業務だったら使えるかもとか、ああ、この業務で行けそうだなとかですね。どんどんどんどん
基於這種文字轉錄的即時性與準確性，您可以想像在業務中或許能派上用場，或者「啊，這個業務似乎可行」，請不斷地擴大想像。
14:12.279–14:16.279
ja想像を膨らませていただければと思います。いずれこれがキャンバスに入ってきたら
如果未來這個功能進入 Canvas，
14:16.279–14:18.320
jaどうですか?キャンバスに入ってきて
會怎麼樣呢？如果進入 Canvas
14:18.320–14:27.440
jaキャンバスAPIでこれ使えるようになったら皆さんの手で先ほどみたいなリアルタイム文字起こしツールとかもう作れますからね。GoogleAIスタジオだと
一旦透過 Canvas API 實現了這項功能，大家就能動手打造剛才提到的即時語音轉文字工具之類的應用了。在 Google AI Studio 中
14:27.440–14:38.480
ja学習対処になってしまいますけれども、GoogleWestoaceを導入している事業者さんでキャンバスAPIの中にこのモデル入ってきたらこれもうやばいっすよね。是非皆さん楽しみにしていき
雖然這可能會成為學習的課題，但對於導入Google Vertex AI的企業來說，如果這個模型進入了Canvas API，那就太厲害了，希望大家拭目以待
14:38.480–14:40.199
jaましょう。A社ではですね、このような形
在A公司，我們是透過這種方式
14:40.199–14:52.440
jaで今本当にどんどんどんどん生成AI業界って進化をしていて、で、Googleはやはり様々なデータを持っているからこそだと思いますけど、本当に面白いモデルをどんどんどんどん次から次に発表してい
現在生成式AI產業正不斷快速發展，我認為Google之所以能接連推出各種有趣的模型，正是因為他們擁有豐富的數據資源
14:52.440–14:55.279
jaます。で、それはあくまでも我々に対して
然後，這只是針對我們而言
14:55.279–14:58.880
jaこういうモデルできたよ、どうっていうのをこう示唆してくれてるわけですよね。で
這就是他們提出這些模型時所暗示的意圖，也就是告訴我們這些模型有什麼用處。
14:58.880–15:10.240
ja、それを我々はですね、どういう分野で使えるかなっていうのをこう研究しながら、そしてこういったYouTubeを通して皆さんにお示しすることで皆さんのDX支援をお手伝いしております。気になる方
我們將研究這些模型能在哪些領域應用，並透過YouTube向各位展示，以此協助大家的數位轉型（DX）。如果有興趣，
15:10.240–15:15.759
jaは概要欄にお問い合わせページございますので、お気軽にお問いただければと思います。このチャンネルでは今回
請至簡介欄位中的聯絡頁面詢問，歡迎隨時與我們聯繫。本頻道這次
15:15.759–15:24.600
jaジェミニトランスクライブ[音楽]モデルをご紹介させていただきましたが、Googleはですね、本当に多くのサービスを持っておりますし、日々どんどんどんどんそれも増えてます。そう
介紹了Gemini Transcribe [音樂]模型，但Google確實擁有許多服務，而且每天還在不斷增加。
15:24.600–15:29.759
jaいったものをですね、1つでも多く取り上げて皆さんに情報提供できればと考えております。是非チャンネル登録
我們希望能盡可能多地介紹這些服務，為各位提供資訊。請務必訂閱頻道
15:29.759–15:31.160
jaよろしくお願いいたします。ありがとう
謝謝大家。再見。
15:31.160–15:36.269
jaございました。またね。
嗯，你是顆粒派還是泥流派呢？
15:36.279–15:42.399
jaす、あんことつぶで派じゃないですか。
泥流派佔絕對優勢呢。
15:42.399–15:44.319
ja圧倒的な派ですね。
對的人不好意思，覺得泥流派消失就好了的人，覺得泥流派太激進了。
15:44.319–15:49.079
jaの人は申し訳ないけどなくなればいいと思って派の人は過激派すぎるよ。
哎呀哎呀，頻道觀眾大概會少掉一半呢。
15:49.079–15:52.030
jaいやいやいやいやチャンネル視聴者層の半分ぐらい消えちゃうよ。
不會啦，大概有70%是顆粒派吧。
15:52.040–15:54.120
jaそんなことないね。多分70%つ派だよ。
那會少掉30%耶。
15:54.120–15:55.079
ja30%消えるやんけ。
少掉30%。嗯，不過只要變成泥流派就好了啦。但是啊，看到烤糰子裡有豆沙餡真開心。是顆粒對吧。
15:55.079–15:55.645
ja30%消える。ういやでもつぶ派になってくれればいいんだから。でもよ。タ焼きに腰入ってて嬉しい。粒でしょ。
流失30%。不過只要變成支持派就好啦。但是說真的，看到有人願意投入支持我很開心。是顆粒狀的對吧。
15:55.655–16:03.230
ja[笑い][音楽]うん。それは粒がいい。
烤糰子呢？
16:03.240–16:03.870
jaドラ焼きは?
顆粒呢？今川燒呢？
16:03.880–16:05.990
jaそれは粒もそれは今川焼きは?
顆粒比較好。
16:06.000–16:06.749
jaそれも粒がいい。
不是顆粒嗎？已經
16:06.759–16:07.910
ja粒やないかい?もう
紅豆泥泥流派比較好吧。
16:07.920–16:09.189
ja赤服腰屋がいいもんね。
不，紅豆泥因為只有泥流派啊，所以我是覺得紅豆泥應該出顆粒比較好。
16:09.199–16:13.670
jaいや、赤服はだから腰屋しかないからでしょ。僕だから赤服はつぶを出せばいいと思う。
因為我是泥流派，所以有點討厭紅豆泥。味道確實很好吃，這點我承認，但如果是顆粒的話會更好吃，所以我總是這麼想。
16:13.680–16:20.069
ja僕だから腰だから赤服ちょっと嫌いだもん。味は美味しいよ。それは認めるけどこれつだったらもっと美味しいのになってやっぱいつも思っちゃうから。
不，吃麻糬時會卡住，所以享受Q彈口感才是重點啊。
16:20.079–16:26.550
jaいや、餅ち食べる時に引っかかっちゃうからもちもちて感を楽しむのがあきなわけですよ。
紅豆泥裡麻糬也像是主角一樣，因為紅豆和麻糬都是主角般的雙主演，所以有了顆粒
16:26.560–16:28.406
ja赤くは餅ちも主役みたいなとこあるからね。あんも主役だけど餅ちも主役みたいなダブル主演だからが立っちゃうから粒があることによって
因為紅豆和麻糬都有點像主角，所以紅豆雖然也是主角，但麻糬也像是主角，這種雙主演的感覺會讓人覺得有顆粒感反而更好
16:28.406–16:36.800
ja[音楽]粒があるのがあきなわけです。
有顆粒感才是正統
16:36.800–16:47.389
ja今こういい感じのバランスで1対1の感じで今主役に慣れてるのにすぐ来ちゃったらもちからクレーム入っちゃうからを目指してますよねみたいなえ、じゃああなたが出ていけばいいんじゃない[笑い]
現在這種恰到好處的1對1平衡，主角已經習慣了，如果馬上就來的話，餅會抱怨的，所以目標就是這樣吧？嗯，那你是不是該退場啊？[笑]
16:47.399–16:51.470
jaうちむ子だけで行けるんでみたいなあなたも本能的には粒なんでしょうね。
光靠我們家孩子就能搞定，感覺你本能上也很在意顆粒感吧
16:51.480–16:52.189
ja求めてるかな?
我想大家應該都在追求吧。請大家認真思考，希望你們在考慮未來只能二選一、只能吃其中一種的情況下回答。兩種都吃那就太任性了。
16:52.199–17:02.110
ja求めてると思いますよ。皆さん本気で考えてください。今後一切どっちか選んだらどっちかしか食べれないというのを考えた上で回答してほしい。どっちも食べそれはもうわがままです。
當你在腦中想像只能吃其中一種時，是顆粒還是泥流派，選擇泥流派的瞬間，未來的烤糰子就全是泥流派了，未來的今川燒就全是顆粒了，以前也是這樣。
17:02.120–17:13.549
jaどっちかしか食べれないというのを頭の中で思いかべた時につぶなのか腰なのかも腰選んだ瞬間に今後のドラ焼きは全部腰だからね。今後のた焼きは全部星だからね。前在もだよ。
當你在腦中比較只能選一種吃的選項時，不管是選粒還是腰，一旦選擇了腰，以後的烤龍蝦就全部是腰了，以後的烤龍蝦就全部是星了，以前也是這樣。
17:13.559–17:15.720
ja謎のアンケートを皆さん答えてください。
請多多指教。請多多指教。
17:15.720–17:17.000
jaよろしくお願いします。お願いします。
敬請多多指教。拜託了。

影片筆記：【革命】今話題の文字起こし「Gemini 3.5 Transcribe」は何が凄いのか徹底解説します

<!-- VIDEONOTE_PUBLICATION_WARNINGS_BEGIN -->

⚠️ 全文快速校讀發現待確認修正

本筆記已完成可閱讀的逐字稿與時間跳轉；下列為待處理問題，建議播放原片確認。

  • 待修正：⚠️ 全文快速校讀發現未解決異常（segment=9 待確認：日文長漢字詞與片假名直接黏接，疑似公司/產品名稱 ASR 錯認；AI 未輸出可驗證的暫定修正版；segment=49 待確認：日文長漢字詞與片假名直接黏接，疑似公司/產品名稱 ASR 錯認；AI 未輸出可驗證的暫定修正版）
  • 待修正：逐字稿全文快速校讀未完成（已保留自動字幕/原始逐字稿並繼續生成筆記。；未完成的全文速讀項目可在精進模式回聽確認。）
  • 待修正：逐字稿可先使用，但有待校正清單（segment=1 unnatural_sentence_boundary: 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語；segment=3 unnatural_sentence_boundary: 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語）

<!-- VIDEONOTE_PUBLICATION_WARNINGS_END -->

一句話總結

Google 發布全新音訊辨識模型「Gemini 3.5 Transcribe」，主打市場最高性能，具備智能修正自我糾錯、即時串流、多語言識別及精確說話者標籤等核心功能，並透過 Google AI Studio 進行演示與操作教學。

核心重點

  • 智能文字轉錄（Smart Transcription）：模型能理解語境，自動過濾說話者的自我修正過程，僅輸出最終正確的語意（例如：從「3人」修正為「4人」，最終只顯示「4人」）。
  • 即時與預錄雙支援：支援即時文字轉錄（Live API）及預先錄製音訊文件的處理。
  • 多語言自動識別：支援在不同語言間自動切換進行轉錄（如英文切換至日文）。
  • 精確說話者辨識：針對預錄數據，支援最多 3 人的說話者標籤（Speaker Labels）及單詞級別的時間戳記（Word Timestamps）。
  • 應用場景：適用於會議記錄、行政機關服務（如視障人士輔助、窗口服務）、多語言溝通等。

詳細大綱

1. 模型介紹與核心優勢

  • 模型名稱：Gemini 3.5 Transcribe（影片口語常稱為「ジェミ3.5トランスクライブ」）。
  • 市場定位：Google 推出的市場最高性能的音訊辨識模型。
  • 與傳統模型區別：
  • 傳統模型易受背景雜音、專有名詞影響，且無法處理說話者的自我修正。
  • Gemini 3.5 Transcribe 具備「智能」特性，能理解語境並輸出最終修正後的文本。

2. 功能演示與技術細節

  • 即時文字轉錄（Live API）：
  • 支援多語言自動識別（例如從英文切換到日文）。
  • 低延遲，幾乎無延遲地進行文字轉錄。
  • 智能文字轉錄（Smart Transcription）：
  • 功能定義：當說話者進行自我修正時，系統保留最終正確的語意，而非記錄所有錯誤過程。
  • 演示案例：
  • 咖啡訂單修正：從「大杯、無冰、兩泵醬汁」修正為「中杯、無冰、普通醬汁」，最終輸出修正後的訂單。
  • 會議人數修正：從「3人」修正為「4人」，最終輸出「4人」。
  • 日期修正：從「星期二」修正為「星期四」，最終輸出「星期四」。
  • 預錄數據處理：
  • 支援上傳錄音文件進行轉錄。
  • 說話者辨識：目前支援最多 3 人的精確說話者標籤（Speaker 0, 1, 2）。超過 3 人處於試驗階段，準確率可能下降。
  • 時間戳記：提供單詞級別的時間戳記（Word Timestamps），標註每個詞語的開始與結束時間。

3. Google AI Studio 操作教學

  • 進入路徑：Google AI Studio -> 選擇模型 -> 點擊「Audio」選項。
  • 模型選擇：
  • 可選擇「Gemini 3.5 Transcribe」或「Gemini 3.5 Transcribe Live」。
  • 即時轉錄操作：
  • 設定語言（Detect 或指定語言如 Japanese）。
  • 開啟麥克風進行即時轉錄。
  • 觀察「Smart Transcription」開關的效果：關閉時顯示原始轉錄（含填充詞），開啟時顯示經智能處理後的文本。
  • 預錄轉錄操作：
  • 上傳音訊文件。
  • 開啟「Speaker Labels」以啟用說話者辨識。
  • 開啟「Smart Transcription」以啟用智能修正功能。

4. 應用場景與未來展望

  • 潛在應用：
  • 行政機關：協助視障人士即時獲取會議或演講內容；窗口服務中即時顯示對話文字，輔助溝通。
  • 企業會議：自動生成會議記錄，處理發言人的自我修正。
  • 未來發展：
  • 預期該模型將整合至 Google Canvas API。
  • 導入 Canvas API 後，開發者可利用此模型開發即時文字轉錄工具。
  • 對於導入 Google Workspace 的企業而言，此功能將帶來巨大價值。

工具 / 模型 / 名詞整理

  • 模型名稱：
  • Gemini 3.5 Transcribe（影片口語常稱為「ジェミ3.5トランスクライブ」）
  • Gemini 3.5 Transcribe Live
  • Gemini 3.7 Flash（提及可能預設選中的模型）
  • 平台/工具：
  • Google AI Studio
  • Google Workspace
  • Canvas API
  • Live API
  • 功能/技術術語：
  • Transcription / Transcribe（文字轉錄）
  • Smart Transcription / Smart Transcription Active（智能文字轉錄）
  • Speaker Labels（說話者標籤）
  • Word Timestamps（單詞時間戳記）
  • Real-time Streaming（即時串流）
  • API

操作流程整理

  1. 進入 Google AI Studio：導航至 Google AI Studio 介面。
  2. 選擇模型：在模型列表中選擇「Gemini 3.5 Transcribe」或「Gemini 3.5 Transcribe Live」。
  3. 啟用 Audio 選項：點擊介面中的「Audio」選項以進入音訊處理模式。
  4. 設定參數：
  • 即時轉錄：設定語言偵測（Detect）或指定語言（如 Japanese），開啟麥克風。
  • 預錄轉錄：上傳音訊文件。
  1. 調整功能開關：
  • 開啟「Smart Transcription」以啟用智能修正功能（過濾自我糾錯）。
  • 開啟「Speaker Labels」以啟用說話者辨識（預錄模式下支援最多3人）。
  1. 執行轉錄：
  • 即時模式下，觀察低延遲的文字輸出。
  • 預錄模式下，查看帶有時間戳記及說話者標籤的轉錄結果。

值得注意的限制或風險

  • 說話者辨識人數限制：目前預錄數據的說話者辨識僅支援最多 3 人（Speaker 0, 1, 2）。超過 3 人時處於試驗階段，準確率可能下降。
  • 模型版本確認需求：影片中多次提及「Gemini 3.5 Transcribe」及「Gemini 3.7 Flash」，需確認這些是否為 Google 官方發布的確切版本名稱，或為口誤/辨識錯誤。
  • 試驗階段功能：超過 3 人的說話者標籤功能目前為試驗階段，不建議在嚴謹場景下直接使用。

逐字稿辨識疑點

  • 模型版本名稱：
  • 逐字稿中多次出現「ジェミ3.5トランスクライブ」，但部分語境下聽起來像「ジェミ3.7」或「ジェミ3.5」。需查證 Google 官方發布的確切版本號（目前已知有 Gemini 1.5 Pro/Flash，3.5 版本需確認是否為最新發布或口誤）。
  • 提及「ジェミニ3.7フラッシュ」，需查證是否有此版本命名。
  • 專有名詞聽寫：
  • 「ジェミノートブック」：聽起來像是指 Google 的某個產品，需查證是否為「NotebookLM」或其他產品。
  • 「キャンバス」：指 Google Canvas 或相關產品，需確認是否為「Google Canvas」或「Workspace Canvas」。
  • 「GoogleAD」：在描述「昨天發表後一直測試」時出現，疑為口誤，可能意指「Google AI Studio」或內部測試環境。
  • 「X君」：演示中提到的對話夥伴，疑為代稱或特定測試用戶名稱。
  • 「帝国になりました」：在模擬會議開場白時出現，疑為口誤，可能意指「開始」或特定會議名稱。
  • 「技似録」：疑為「議事録」（會議記錄）的聽寫錯誤。
  • 「疑似6」：疑為「議事録」或「文字起こし」的聽寫錯誤。
  • 「昇格の方」：在描述行政機關服務時出現，疑為「視障の方」（視障人士）或「身障の方」的聽寫錯誤。
  • 「赤服腰屋」：在影片末尾關於紅豆餅（大福）的討論中出現，疑為「赤福」（Akafuku，日本知名紅豆餅品牌）的聽寫錯誤。
  • 「粒」與「つぶ」：討論紅豆餅口感時，「粒」可能指整顆紅豆（粒あん），「つぶ」指碎紅豆（つぶあん）。需確認是否為正確的口感描述術語。
  • 「今川焼き」：影片末尾提到的甜點，需確認是否為正確名稱。
  • 「ドラ焼き」：影片末尾提到的甜點，疑為「大福」或特定品牌甜點的聽寫錯誤。
  • 「あんことつぶで派」：關於紅豆餅口感的派別討論，需確認是否為正確的口語表達。

可延伸追問

  • Gemini 3.5 Transcribe 與現有 Gemini 1.5 Pro/Flash 在音訊處理上的具體效能差異為何？
  • 「Smart Transcription」在處理極度混亂或多人同時說話的場景下，準確率如何？
  • Google Canvas API 整合後，開發者如何具體調用此音訊辨識功能？
  • 超過 3 人的說話者辨識功能何時會從試驗階段轉為正式支援？

生字列表

生字讀音類型中文
化け物ばけもの名詞怪物、奇才（比喻能力超群的人或事物）
端的に言えばたんににいえば副詞句簡單來說、概括地說
やばいやばい形容詞太強了、厲害、不妙
途端にとたんに副詞一……就、剛……便
課題かだい名詞課題、難題、待解決的問題
えぐいえぐい形容詞厲害、驚人、殘酷
リアルタイムリアルタイム名詞即時、現場
話者認識わしゃにんしき名詞說話者識別
輝くかがやく動詞發光、出色、大放異彩
DXディーエックス名詞數位轉型（Digital Transformation）
概要欄がいようらん名詞簡介欄、描述欄
過激派かげきは名詞激進派

生字解說

化け物 ばけもの

名詞 · N3

意思：怪物、奇才（比喻能力超群的人或事物）

解說：原意為妖怪，此處用於比喻該模型在性能上如同「怪物」般強大，超出常人預期。

影片原句
新たな化け物の生誕祭でございます。
呢，是全新怪物的誕生祭。
延伸例句
彼の才能は化け物だ。
他的才能簡直是怪物級的。

端的に言えば たんににいえば

副詞句 · N2

意思：簡單來說、概括地說

解說：用於簡潔地總結或概括前文內容，強調核心重點。

影片原句
端的に言えば文字起こしです。
簡單來說就是文字轉錄。
延伸例句
端的に言えば、これは詐欺だ。
簡單來說，這就是詐騙。

やばい やばい

形容詞 · N4

意思：太強了、厲害、不妙

解說：口語常用詞，在此處為褒義，形容性能極強、令人驚嘆。

影片原句
こいつね、やばい。めちゃくちゃやばいので、
但這傢伙，太強了。非常非常強，所以
延伸例句
この料理は本当にやばい！
這道菜真的超讚！

途端に とたんに

副詞 · N2

意思：一……就、剛……便

解說：表示前項動作或狀態一發生，後項隨即發生，常帶有突然性或意外性。

影片原句
背景雑音とか、あと専門用語が出てくると途端に違う言葉に変わっちゃったり、
面對背景噪音或專業術語出現時，傳統模型往往會將詞語誤轉為其他內容，
延伸例句
彼が名前を呼ぶと、途端に顔が明るくなった。
他一叫名字，他的臉馬上亮了起來。

課題 かだい

名詞 · N2

意思：課題、難題、待解決的問題

解說：指需要解決的問題或挑戰，在此指傳統模型面臨的技術瓶頸。

影片原句
そういった部分にこう補正っていう部分で課題を抱える従来のモデルとはですね、
傳統模型在這種校正方面存在課題，而這個模型已經
延伸例句
環境問題は現代の大きな課題だ。
環境問題是現代的一大課題。

えぐい えぐい

形容詞 · N2

意思：厲害、驚人、殘酷

解說：口語，形容程度極深，令人吃驚或感到壓迫感，此處為褒義，指性能極強。

影片原句
本当にえぐいですよ。
還要興奮。
延伸例句
彼の記憶力はえぐい。
他的記憶力驚人。

リアルタイム リアルタイム

名詞 · N2

意思：即時、現場

解說：指數據處理或傳輸沒有明顯延遲，與發生同步。

影片原句
リアルタイムにどんどんどんどんこう書き起こしながら
而且即時不斷地進行文字轉錄
延伸例句
リアルタイムでデータを更新する。
即時更新數據。

話者認識 わしゃにんしき

名詞 · N1

意思：說話者識別

解說：技術術語，指系統自動識別並區分不同說話者的能力。

影片原句
録音データに対するものが話者認識対応できるというような形ですね。
這是針對錄音數據的話者識別對應的形式。
延伸例句
話者認識機能により、複数の話者を区別できる。
透過說話者識別功能，可以區分多個說話者。

輝く かがやく

動詞 · N2

意思：發光、出色、大放異彩

解說：比喻在特定領域表現傑出，發揮重要作用。

影片原句
このトランスクライブモデルというのは今後輝いていくんだろうなと思いますと。
我認為這個 Transcribe 模型今後將會大放異彩。
延伸例句
彼はその分野で輝いている。
他在該領域大放異彩。

DX ディーエックス

名詞 · N1

意思：數位轉型（Digital Transformation）

解說：商業用語，指透過數位技術對業務流程、組織結構等進行根本性變革。

影片原句
皆さんのDX支援をお手伝いしております。
以此協助大家的數位轉型（DX）。
延伸例句
企業のDX推進が急務だ。
推動企業數位轉型是當務之急。

概要欄 がいようらん

名詞 · N3

意思：簡介欄、描述欄

解說：影片平台（如YouTube）中顯示影片說明、連結等資訊的區域。

影片原句
気になる方は概要欄にお問い合わせページございますので、
如果有興趣，請至簡介欄位中的聯絡頁面詢問，
延伸例句
詳細は概要欄をご覧ください。
詳情請見簡介欄。

過激派 かげきは

名詞 · N2

意思：激進派

解說：指主張極端或激烈手段的人，此處幽默地形容堅持泥流派的人。

影片原句
派の人は過激派すぎるよ。
覺得泥流派太激進了。
延伸例句
彼は政治的に過激派だ。
他在政治上屬於激進派。

句型解說（含實例）

～ということで

意思：為了……、作為……的象徵

接續：名詞 + ということで

解說：表示某種行為或事件的意義、目的或象徵。

影片原句
新たな化け物の誕生ということでですね、今回ご紹介させていただければと思います。
誕生，這次我想向大家介紹。
實例
  1. 記念ということで、特別割引を行います。
    為了紀念，我們將進行特別折扣。
  2. 卒業ということで、みんなで食事に行こう。
    為了慶祝畢業，大家一起去吃飯吧。

～てしまう

意思：完成、變成……（狀態）、不小心……

接續：動詞て形 + しまう

解說：表示動作完成，或帶有遺憾、意外、無可奈何的情緒。

影片原句
それカタカナでジェミって出てきちゃったりだとか
這樣的話，傳統模型在這種校正方面存在課題，而這個模型已經[音樂]完全超越了。
實例
  1. 約束を忘れてしまった。
    我把約會給忘了。
  2. 全部食べてしまった。
    我全都吃光了。

～わけではない

意思：並非……、不是說……

接續：動詞普通形 + わけではない

解說：否定某種推論或普遍認知，表示「並非如此」。

影片原句
単なる文字起こしもちろんできるんですけど、[音楽]それだけではないっていう
它當然能進行單純的文字轉錄，但[音樂]絕不僅止於此。
實例
  1. 彼が怒っているわけではない。
    並非他在生氣。
  2. 難しいわけではないが、時間がかかる。
    並非很難，但需要花時間。

～ようにする

意思：努力使……、試著……

接續：動詞普通形 + ようにする

解說：表示為了達到某種狀態而採取行動或保持某種習慣。

影片原句
自動認識みたいな形にすればこんな形でどんどんどんどん別の言語でもできると。
如果說現在螢幕上顯示的正是基於Gemini Transcribe模型建構的應用程式，那麼接下來讓我們來看看，當這位講者說話時，文字轉錄能多快即時生成。
實例
  1. 毎日運動するようにしている。
    我試著每天運動。
  2. 遅刻しないように気をつける。
    我會注意不要遲到。

～てほしい

意思：希望……、想要……

接續：動詞普通形 + てほしい

解說：表達說話者希望聽者執行某種動作的意願。

影片原句
今後一切どっちか選んだらどっちかしか食べれないというのを考えた上で回答してほしい。
請大家在腦中比較只能選一種吃的選項時，不管是選粒還是腰，一旦選擇了腰，以後的烤龍蝦就全部是腰了，以後的烤龍蝦就全部是星了，以前也是這樣。
實例
  1. もっと勉強してほしい。
    我希望你多讀書。
  2. 早く帰ってほしい。
    我希望你早點回來。

～てくれる

意思：為我……、幫我……

接續：動詞て形 + くれる

解說：表示他人為說話者（或說話者一方）執行某動作，帶有感激或受益的語氣。

影片原句
それまでには疑似6書かせていただければと思います。
在那之前讓我進行疑似6書寫
實例
  1. 友達に写真を撮ってくれた。
    朋友幫我拍了照片。
  2. 先生が教えてくれた。
    老師教我（知識）。

～てしまう

意思：直接……、就……（表示結果已定或意外）

接續：動詞て形 + しまう

解說：在此語境中，強調動作完成後的結果狀態，有時帶有「就這樣結束了」的語感。

影片原句
もうそこだけでノインプットされちゃうじゃないですか。
在該處就會直接輸入，所以如果
實例
  1. 約束を忘れてしまった。
    我把約會給忘了。
  2. 全部食べてしまった。
    我全都吃光了。

～てくれる

意思：為我……、幫我……

接續：動詞て形 + くれる

解說：表示他人為說話者（或說話者一方）執行某動作，帶有感激或受益的語氣。

影片原句
それまでには疑似6書かせていただければと思います。
在那之前讓我進行疑似6書寫
實例
  1. 友達に写真を撮ってくれた。
    朋友幫我拍了照片。
  2. 先生が教えてくれた。
    老師教我（知識）。