【話題沸騰】Google本気の文字起こし「Gemini3.5 Transcribe」は何が凄いのか徹底解説

社長のAI実践チャンネル -眼から鱗 長島- 首頁 每日列表 原始影片
實際影片長度：20:04.000。原文、繁中、雙語可點擊句子跳轉影片。
0:00.080–0:02.600
皆さん、こんにちは。
0:02.600–0:09.960
自分らしい生き方で元気で幸せな経用をするあり方社長を5万人にする傾斜コンサルタント目から鱗の長嶋です。社長
0:09.960–0:15.759
のためのAI活用実践講座シリーズですが、本日のテーマはこちらになります。
0:15.759–0:28.039
ジェミ3.5トランスクライブ徹底検証Google本気の次世代知能付き持ちこしと題してお届けをしたいと考えています。ま、皆さん、あの
0:28.039–0:42.630
Googleから突如リースされた最新の文字起こしモデルジェニー3.5トランスクライブをご存知でしょうか?これがですね、本当にめちゃくちゃワクワクするような進化を遂げているということで話題なんですね。
0:42.640–0:56.359
で、GoogleAISTで誰でもすぐに試せるようにはなってるんですが、単に音声を文字にするということだけではなくて、インテリジェンス機能、スマート機能というものによって飯みとかフィラー音を
0:56.359–1:04.239
綺麗に取り除いて専門用語をですね、ビシッと整えて文字起こしをしてくれるというとんでもない優れ物になっています。
1:04.239–1:13.840
ま、今回はこの新機能の公式発表の狙いとか実際の制度検証を進めていきたいという風に思ってます。ま、将来的なね、同向も
1:13.840–1:18.520
含めて考えていきたいなという風に思いますので、是非最後までご覧ください。
1:18.520–1:24.360
さて、まずは速報として何が起きたのかを整理しておきましょう。26年8月27日
1:24.360–1:34.880
、Googleは公式ブログ及び開発者向けポータルにてジェミニファミリーの最新モデルであるジェミ3.5トランスクライブを電撃発表しました。
1:34.880–1:45.000
これまでもジェミは音声の聞き取りは得意でしたが、今回は音声文字起こしに特化した専用モデルとして登場しました。現在
1:45.000–1:57.840
GoogleAISTO上でパブリックプレビューとして解放されていて、ブラウザー上ですぐにマイクを使ったリアルタイムの文字起こしとか録音ファイルの文字起こしをテストできるようになっています。AIスタジオって
1:57.840–2:06.680
エンジニア向けでしょうと思われるような社長もいらっしゃるかもしれませんが、実は画面上でボタンをポチッと押すだけでマイクから喋ってテストまでできます。ま
2:06.680–2:17.200
、非常に直感的なUIになっていますので、まずはこの新機能が手元に届いたというこのドキドキを是非一緒に味わいたいという風に思います。ではGoogleは
2:17.200–2:30.120
なぜ今このトランスライブという音声認識特化のモデルを代々的にリリースしたのか、その狙いと背景を一緒に見ていきたいと思いますが、従来の文字起こしツールっていうのは例えばWISAとかGoogle
2:30.120–2:42.840
の従来のスピーチtoテキストも精度は高かったんですが、本質的には聞こえた音をそのままテキストに変換するという機能でした。そのためAとかあのといった
2:42.840–2:57.200
フィラ音言い間違い同音意義後の5変換がそのまま残ってしまうということが起こり、ま、例えば技似録にしていくには後から人が手直しをするか他のAIに投げて成唱させるという必要がありました。これに
2:57.200–3:09.799
対してGoogleが目指したのはマルチモーダルAIであるジェミの文脈理解力を音声認識の瞬間に直接融合させるということなんですね。つまり会話全体の
3:09.799–3:18.480
文脈を理解しながらリアルタイムに意味の通る綺麗な文章へと聖書して出力していく。これこそがGoogleの狙いであり
3:18.480–3:22.440
持ち起こしの完全なパラダイムシフトになるというポイントなんですね。
3:22.440–3:30.599
このジェミニ3.5トランスクライブの最大の特徴それがインテリジェンス機能になります。具体的に何が従来の文字起こし
3:30.599–3:37.319
と違うのかポイントは大きく3つあります。1つ目は飯みフィラオンの自動除去に
3:37.319–3:41.599
なります。あ、AOといった無駄な発を
3:41.599–3:47.840
AIが文脈を判断して自動的にカットしてくれます。2つ目がスマートな書式整形に
3:47.840–3:51.280
なります。不当点の適切な配置はもちろん
3:51.280–4:04.560
数字、単位、英語の略勝、大文字、小文字などを文脈に合わせて最も読みやすい形に自動整形するという機能が備わっています。3つ目が文脈水論による専門用語の正確
4:04.560–4:07.879
な変換になります。前後の文脈から業界
4:07.879–4:17.079
用語や専門用語を推測して同音意義後のご変換を防ぐということができるようになっています。ま、後から別のAIで要約を
4:17.079–4:24.720
し直さなくても文字起こしされた瞬間にそのまま疑似力やメモとして使えるクオリティになる。これが
4:24.720–4:29.320
インテリジェンスモードの正体になります。さてここでGoogle公式
4:29.320–4:36.759
ドキュメントで明記されている正確なスペック時間制限などについて抑えておきましょう。ま、ここを誤解してると実務で
4:36.759–4:41.440
失敗してしまいますので数字を正確にお伝えしたいと思います。まず1つ目、
4:41.440–4:51.240
リアルタイム文字起こしになりますが、連続ストリーミングセッションの持続時間というのはワンセッションあたり最大10分までと現状はなっています。つまり何
4:51.240–5:02.240
時間もの会議をリアルタイムで垂れ流しするという仕様には今はなっていなくて短い発や要所の音声入力がポイントになっています。2つ目、録音ファイルの文字
5:02.240–5:09.360
起こしになりますが、こちらは通常のリクエストで最大1時間までの音声ファイルに対応してるということです。
5:09.360–5:18.440
ただし分離や単語レベルのタイムスタンプを有効にした場合は最大30分までに制限されます。ま、誰が喋ってるのかっていう
5:18.440–5:26.360
のと、いつどれぐらいの時間喋ってるかみたいなことを正確に割り出す場合には最大30分までになります。そして3つ目
5:26.360–5:41.960
、和車分離になりますが、使用上は最大8人まで対応するということですが、ただし公式ドキュメントには3名以上の和射式別は実験的だという風に明記されているので、ま、確実に高制度で分けられるのは現状
5:41.960–5:44.520
3名までとなっているということです。ま
5:44.520–5:53.160
、このリアルタイム10分、ファイル1時間、分離30分、3名までという数字を頭に入れといていただければと思います。
5:53.160–6:03.440
さて、それでは実際の画面を見ながら検証していきたいという風に思いますので、まずはGoogleAISTに行きましょう。今お見せしてるのが
6:03.440–6:16.520
GoogleAISTOで、ここのモデルセレクションという風になっていますが、ここをですね、オーディオという風に変えていただくと、こちらにともうですね、ジェミニ3.5トランスクライブという
6:16.520–6:18.639
ものが出てきています。で、このライブと
6:18.639–6:31.400
いうものが実際に喋りながらですね、え、音声文字起こしをしてくれるモデルになりますので、こちらを選んでいただくと、もうこれで中に入れるという状態になります。で、TriライザラブAPIという
6:31.400–6:39.039
風になっていて、ま、ここでトークという風になってるので、え、このままですね、トークを押すと始まります。ここにですね
6:39.039–6:43.680
、スマートリプションというものがありますね。これがスマート
6:43.680–6:46.919
機能のオンとオフになります。で、一旦
6:46.919–6:53.560
ですね、オフにした状態で喋ってみましょう。これ話できてますかね?あ、
6:53.560–6:57.080
できてますね。はい。え、今ここでですね
6:57.080–7:13.710
、えっと、デモ的に行っているのが、え、今回のその最新の音声認識であるGoogleの、え、トランスクライブの、え、デモになっています。
7:13.720–7:15.879
はい。で、これは今インテリ、え、
7:15.879–7:26.110
スマートモードになっていない状態なので、えー、こんな感じになっているというところですね。
7:26.120–7:28.840
はい。じゃあ、スマートモードを入れてみ
7:28.840–7:30.960
ましょう。ちなみにですが、ここに
7:30.960–7:35.400
プライマリーランエッジということで、ここで言語設定もできます。ま、中心に
7:35.400–7:43.240
使うのが日本語であれば、日本語を設定していただければ、ま、これでですね、日本語が中心になります。で、スマートモード
7:43.240–7:51.319
をオンにしてもう1度テストしていきたいと思います。はい。え、こちらで
7:51.319–8:04.830
、あの、今、ああ、今、え、デモをやっていますが、え、こんな感じで、え、うまく反映されているでしょうか?
8:04.840–8:06.759
あ、出ましたね。で、今こうやって、えっ
8:06.759–8:15.039
と、ちょっと間を開けたりすると、え、このように、え、正確な文字が反映されるという形になっていきます。フィラオンと
8:15.039–8:21.670
か、ま、そういったものが無駄なものが、えっと、除去されましたよね。
8:21.680–8:23.720
結構いいですよね。ま、優秀だなと思い
8:23.720–8:26.440
ます。先ほどの、えっと、スマートモード
8:26.440–8:36.630
をオンフにしていた時とオンにしていた時では、ま、明らかにその文章の制度が上がってますよね。
8:36.640–8:42.000
じゃあここでですね、言い直しをしてみたいと思います。えっと、そういう意味で
8:42.000–8:47.959
言うと次回の打ち合わせは3名でお伺いをしたい。あ、いやいや、えっとちょっと
8:47.959–8:50.040
待ってくださいね。えっと、3名ではなく
8:50.040–8:57.430
て、え、4名、え、てお伺いする予定にしています。
8:57.440–9:00.640
見ましたかね。今この形で、え、言い直し
9:00.640–9:10.320
をした場合にどちらが正しいのかということを文脈上判断して、え、正しいものを適用するという形になっています。なので
9:10.320–9:24.200
文字起こしとしての精度がめちゃくちゃ高いだけではなくて、文字を正確に起こすのではなくて文脈を理解して文脈を理解した上で文字起こしをするので、ま、疑似力とかにはめちゃくちゃ最適だということ
9:24.200–9:27.560
ですね。で、人は、ま、言い直しっていう
9:27.560–9:39.680
のを普通に、え、起こってしまうので、ま、こういった意味で考えるとやっぱりこの言い直しとかフィラ音とかこういったものをしっかりと除去して、え、正しい文脈で、え、表現してくれるっていうのは
9:39.680–9:47.190
めちゃくちゃありがたいという風になると思います。
9:47.200–9:49.200
はい。めちゃくちゃいいですよね。
9:49.200–9:51.399
めっちゃいいなと思います。で、これ今見
9:51.399–9:58.600
ていただいたのがライブの音声のデモになりますね。で、次にですね、モードを
9:58.600–10:04.399
切り替えて、今度は、えっと、ライブではないバージョンですね。はい。を見て
10:04.399–10:07.800
いただきたいなと思います。録音をの音声
10:07.800–10:13.480
をですね、アップロードしてその音声を読み込んで使ってみたいと思います。で、
10:13.480–10:26.680
Wordのタイムスタンプとスピーカーラベルがオッケーで、Wordのタイムスタンプとスピーカーラベルをつけてもらう形にして、今ここにデモ的に作った音声を入れました。じゃあこれをですね、
10:26.680–10:30.040
文字起こししていきます。
10:30.040–10:31.560
そうするとどうなるか。ま、チャット
10:31.560–10:39.880
GPTワークとですね、え、デモ的に5分ぐらい取ったトークを今文字起こししてもらっています。認識とタイムスタンプと
10:39.880–10:43.720
いうところを見たいなと思います。
10:43.720–10:47.079
はい、出ましたね。
10:47.079–10:51.079
あ、いいですね。ちゃんとワ者を認識して
10:51.079–10:54.200
ますね。ま、声がね、あの、確実に違うの
10:54.200–11:02.600
で認識ができるんですが、ま、それでもですね、ちゃんと正確にワ者を認識してますね。で、男性と女性みたいな分かり
11:02.600–11:12.800
やすいやつだとあれなんで、チャトGPTワークの声を男性にして見てるみたんですが、それでももう正確に読んでますね。
11:12.800–11:17.079
いや、すごいですよね、これ。本当に。
11:17.079–11:20.360
えっと、疑似6としては完璧ですよね。で
11:20.360–11:22.959
、はい。で、今、あの、これ使ってみて、
11:22.959–11:34.800
えっと、私も、え、分かったんですが、あ、このスマートランスプションとWordタイムスタンプスピーカーラベルは同時では使えないみたいですね。なのでこれ使い
11:34.800–11:39.320
たい場合はですね、どうするかって言うと分けないといけないってことですよね。だ
11:39.320–11:55.600
から多分スマート機能を入れて同じくですね、入れてで文字起こしをさせると認識やタイムスタンプは出ずに出てくるって感じですかね。はい、出ましたね。ただえっとね、
11:55.600–11:57.560
言い直しとかめっちゃしたんですよ。
11:57.560–12:01.519
あえて。で、それがですね、確実に大切な
12:01.519–12:05.399
部分だけに絞られて、さっきめちゃくちゃ長かったですけどね。ま、こんな感じで
12:05.399–12:09.920
絞られるんで、実態疑似録的に言うとこっちの方がいいと思いますね。さっきの
12:09.920–12:16.079
は正しく文字起こしができてるという状態でしたね。え、で、認識とタイムスタンプ
12:16.079–12:29.160
が正確に出るということなんですが、今度こっちのあのスマートランスプションの方を選ぶと、え、今このように、えっと、無駄なものが削ぎ落とされて、ただ内容だけがバシッと出てくると、ま、認識は出
12:29.160–12:31.600
ないですけどね。なので、ま、両方作っと
12:31.600–12:33.519
くっていうのは1つ手だと思いますね。
12:33.519–12:44.760
両方落としといて、で、技似録的には今のこのトランスクリプションを選んで、え、ワードタイムスタンプとスピーカーラベルの方は、え、ミーティングの、えっと、原票としての文字を起こしにしておく。ま
12:44.760–12:47.360
、この辺はありかなという風に思います。
12:47.360–12:56.440
ま、今こうやって見ていただいたようにこれぐらいのスピードで、そしてこの精度で上がってくるということで、もうめちゃくちゃいいですよね。めちゃくちゃ
12:56.440–12:59.000
いいと。それでですね、えっと、録音じゃ
12:59.000–13:08.959
なくて、え、その場で撮りたいという場合にはこのレコードオーディオというのがあって、認識やスピーカーラベルも貼ることができますので、ま、何かリアルタイムでミーティングをしたいという場合
13:08.959–13:18.160
には、ま、レコードオーデオでもオッケーなんですが、ま、それだったらライブでいいと思うので、この、ま、ただ認識とスピーカーラベルを貼りたかったらここでのレコードオーディオでいいんじゃないか
13:18.160–13:19.800
なと思います。ま、取ってからおそらく
13:19.800–13:31.240
これを落とし込んでいくということなんで、ライブでやる場合には先ほどの文字起こしの感じになっていくと認識とかまだできないとそんな感じかなという風には思います。ま、ただあれぐらいのリアル
13:31.240–13:44.279
タイムで出てくると本当にですね、例えばもう1回ね、南長の方とか含めてですね、え、文字で、え、対話をする時にはめちゃくちゃ楽になるんじゃないかなという風に思いますし、ま、これから、え、
13:44.279–13:57.959
シニアの世代も増えてくるので、ま、そういった方々に話すだけだと伝わらなかったら文字でも示すみたいなこともできるし、ま、あとは説明のね、え、何か説明の資料なんかもバーと取ったものをこう今の
13:57.959–14:09.680
、えっと、制度高い文字を越して出していくっていうやり方もあると思うので、ま、使い方、可能性っていうのはめちゃくちゃ広がるんじゃないかなという風には思っています。それでは、えっと、資料の方に
14:09.680–14:12.040
戻っていきましょう。さて、ま、ここで、
14:12.040–14:19.360
え、社長の皆様に絶対知っておいていただきたい3大注意点、機能制限を改めてまとめていきたいと思います。ま、
14:19.360–14:23.440
1つ目なんですが、ま、セキュリティと機密情報の扱いになります。Google
14:23.440–14:35.959
AIスタジオはあくまでも開発者向けの実験環境になりますので、無料枠ではデータが学習に利用される可能性があります。なので社外費の役員会議とかお客様
14:35.959–14:42.959
の個人情報が入った本番の録音データを投入するっていうのは絶対に避けてください。ま、デモ的に作ったもので、え
14:42.959–14:47.680
、どういう動きをするかっていう実験だけにしてください。2つ目が時間の長さの
14:47.680–14:49.839
上限です。リアルタイムはワンセッション
14:49.839–15:01.360
最大10分、録音ファイルは通常最大1時間、あかじめ30分ごとにファイルを分割して投入する運用が最も重要になるという風に思ってください。そして3つ目が
15:01.360–15:05.279
識別の限界です。分離は3名までは高制度
15:05.279–15:18.839
なんですが、4から8名は実験的で保証外になってるので、大人数でですね、ガヤガヤと同時に喋るような会議については話者の取り違いが起こる前提でチェックするという必要があります。ま、まだ本番
15:18.839–15:29.639
環境で使わないと思いますので、ま、実験的にはそこまでの人数のやつはやんないかなという風に思いますが、あくまで3名限界と、ま、そういうことになっています。では、このジェミニ3.5
15:29.639–15:42.920
トランスクライブの登場は私たちのビジネスの未来にどんなインパクトをもたらすのか、私が最も面白いという風に思ってるのはGoogleace、特にGoogleMeetへの統合だという風に思ってます。ま、今もですね、
15:42.920–15:47.720
GoogleMeetには自動文字起こしの機能があります。ま、日本語の認識制度
15:47.720–15:52.680
やフィラーの処理にはまだまだ改善の余地があるという風に考えます。ところがこの
15:52.680–16:00.600
ジェミニ3.5のトランスクライブの技術がミートの裏側に、え、標準搭載されたらどうなるか。会議が起こってるその最中に
16:00.600–16:13.880
リアルタイムで全員の発言がわ別に美しくえっと整えられて会議が終了した瞬間に手直しの全くいらない完璧な技似力がGoogleドキュメントとして完成するような世界っていうのがもう間もなくやっ
16:13.880–16:16.240
てくるとそんな感じですね。会議の後に
16:16.240–16:23.519
疑似力を書くという仕事そのものが完全にこの世から消滅すると、ま、そういう感じです。さらに、え、進化は疑似力だけには
16:23.519–16:25.959
とまらないと思います。ま、音声が知能
16:25.959–16:37.959
付きで正確にテキスト化されるということはそのテキストを起点にして、え、例えばですね、ジェミニスパークのような自立型のAIエージェントが連動して動けるようになるということです。ま、例えば営業
16:37.959–16:53.480
担当者がお客様と承を行うとその会話の内容からお客様の課題や要望、次回のアクションが自動出されてCRMへの入力、見積もり書のドラフト作成、次回の面談日程の仮応抑えまでが全で完了する可能性
16:53.480–16:55.720
が出てきました。またカスタマーサポート
16:55.720–17:09.959
の電話対応でもお客様との通話がリアルタイムで文字起こしされてAIが画面上に最適な回答候補を瞬時に提示するAIの耳というものが進化することで会社のオペレーションレベルが一気に自動化され
17:09.959–17:12.079
ていくっていう可能性が出てきます。それ
17:12.079–17:19.480
では、え、私たち経営者は今何を準備しておくべきなのか、今からできる3つの準備アクションをお伝えしていきます。ま、
17:19.480–17:25.839
ステップ1はGoogleAIスタジオで実際にマイクを使って喋ってみることです。ま、10分以内のテスト音声で構わない
17:25.839–17:36.039
ので、ノーマルモードとインテリジェンスモードの違いを自分の声でまず体感をし、ここまで綺麗に治るのかという肌感覚を掴んでもらうのがいいかなと思います。
17:36.039–17:41.679
ステップ2は車内で発生している音声業務の棚下ろしです。ま、経営会議とか営業
17:41.679–17:50.960
相談とか採用面接、電話対応など文字起こしとようやくに時間を奪われてるような業務が車内にどれだけあるかをリストアップしておきます。ステップさん
17:50.960–17:54.600
は自社の専門用語や商品名の整理です。ま
17:54.600–18:08.159
、将来とカスタム語彙として登録することは今もできるんですが、今、ま、実験上なので登録する、登録する必要はないですが、本番環境に来た時にこのカスタム語を登録しておくだけで文字起こしの制度は
18:08.159–18:11.080
より高くなります。なので自社特有の言葉
18:11.080–18:14.600
をまとめておくということはやっておいてください。ま、この準備をしておくことで
18:14.600–18:24.880
、ワークスペースに正式実装された瞬間、他を圧倒するスピードで業務効率化や自動化を実現するということができるようになります。さて、本日のまとめになります
18:24.880–18:32.440
が、ま、今回発表されたジェミニ3.5トランスクライブは単なる文字起こしのツールではありません。AIが文脈を理解
18:32.440–18:43.480
しながら話を聞いて人間が読みやすい形に整えてくれるというAIのコミュニケーション基盤の大きな進化の1つです。キーボードで文字をカタカタ
18:43.480–18:53.760
打ち込む時代から声で話せば裏側でAIが全てを整えて仕事を完了させてくれる時代へと急速にシフトしていきます。経営者で
18:53.760–19:04.720
ある私たちは面倒な入力や疑似録作成といった作業から完全に解放されますし、社員もそういった仕事に充実させるという必要がなくなります。社員やお客様との
19:04.720–19:12.559
対話、そして自社の未来を作る本質的な経判断に100%のエネルギーを注ぐということができるようになってきています。
19:12.559–19:22.280
是非今回の新機能をまずは触ってみて自社の未来の働き方を想像しながらワクワクしてデザインをしていくということをやってください。さて、ここでお知らせがあり
19:22.280–19:23.600
ます。私はYouTubeの
19:23.600–19:27.640
メンバーシップであるAIビジネス実装ラボというものを運営しています。ここで
19:27.640–19:35.559
は毎月1回のライブセッションやメンバー限定のチャットを通じでAI活用について皆さんと一緒に深める活動をしています。
19:35.559–19:47.600
現場団の努臭い思考錯誤やYouTubeでは出せない具体的なプロンプトの裏側も共有していますので、自社の業務にAIを具体的に組み込んでいきたいという社長様やリーダーの方は是非概要欄のリンクから
19:47.600–19:50.320
詳細をチェックしてみてください。さて、
19:50.320–19:57.000
本日の内容が参考になったという方は是非高評価とチャンネル登録をよろしくお願いたします。それではまた次回の動画でお
19:57.000–19:59.400
会いしましょう。目から鱗の長嶋でした。
19:59.400–20:03.320
ありがとうございました。
0:00.080–0:02.600
大家好，大家好。
0:02.600–0:09.960
我是長嶋，一位傾斜顧問，致力於讓5萬名社長以符合自身風格的生活方式，過上健康幸福的日子。社長
0:09.960–0:15.759
這是為社長打造的AI實用講座系列，本日的主題如下。
0:15.759–0:28.039
我們將以「Gemini 3.5 Transcribe徹底驗證：Google傾注心力的下一代智能」為題進行介紹。嗯，各位，那個
0:28.039–0:42.630
大家是否知道Google突然釋出的最新文字轉錄模型Gemini 3.5 Transcribe？這個模型確實經歷了令人興奮不已的進化，因此成為話題。
0:42.640–0:56.359
雖然Google AI Studio已讓任何人都能立即嘗試，但它不僅僅是將音訊轉為文字，更透過智慧功能、智能功能，將飯音（停頓）和填充音
0:56.359–1:04.239
乾淨地移除，並精準整理專業術語，成為一款驚人的優秀工具。
1:04.239–1:13.840
嗯，這次我想針對這項新功能的官方發布目的以及實際的制度驗證進行探討。嗯，未來的前景
1:13.840–1:18.520
我也希望能一併考慮，因此請務必看到最後。
1:18.520–1:24.360
那麼，首先讓我們整理一下發生了什麼事的快報。26年8月27日
1:24.360–1:34.880
Google在官方部落格及開發者門戶網站上，電擊發布了Gemini家族的最新模型Gemini 3.5 Transcribe。
1:34.880–1:45.000
Gemini過去擅長聽取音訊，但這次是作為專門針對音訊文字轉錄的專用模型登場。目前
1:45.000–1:57.840
已在Google AI Studio上以公開預覽形式開放，可在瀏覽器上立即測試使用麥克風的即時文字轉錄或錄音檔的文字轉錄。AI Studio
1:57.840–2:06.680
可能有社長會認為這是給工程師用的，但其實只要在畫面上點擊按鈕，就能透過麥克風說話並進行測試。嗯
2:06.680–2:17.200
介面非常直觀，因此我想讓我們一起體驗這項新功能到手時的興奮感。那麼Google
2:17.200–2:30.120
為何現在要戰略性地發布這款專攻音訊辨識的Transcribe模型？讓我們一起探討其目的與背景，但傳統的文字轉錄工具，例如Whisper或Google
2:30.120–2:42.840
傳統的語音轉文字，雖然準確度很高，但本質上只是將聽到的聲音直接轉換為文字的功能。因此，像「啊」、「那個」等
2:42.840–2:57.200
填充音、口誤、同音異義字的錯誤轉換會殘留下來，嗯，例如若要製作會議紀錄，事後需要人工修改或交給其他AI進行成稿。對此
2:57.200–3:09.799
Google所追求的是將多模態AI Gemini的語境理解能力，直接融合於音訊辨識的瞬間。也就是說，在理解整個對話的
3:09.799–3:18.480
語境下，即時輸出語意通順、整潔的文章。這正是Google的目的，也是
3:18.480–3:22.440
文字轉錄完全範式轉移的關鍵點。
3:22.440–3:30.599
Gemini 3.5 Transcribe的最大特徵就是其智慧功能。具體來說，它與傳統的文字轉錄
3:30.599–3:37.319
有何不同？重點大致有三個。第一是自動移除飯音和填充音。
3:37.319–3:41.599
「啊」、「哦」等無效發音
3:41.599–3:47.840
會由AI判斷語境並自動刪除。第二是智能格式整理。
3:47.840–3:51.280
當然包括適當配置句號
3:51.280–4:04.560
，還具備根據語境自動將數字、單位、英文縮寫、大小寫等調整為最易讀取形式的功能。第三是基於語境論述的專業術語精確
4:04.560–4:07.879
轉換。根據前後語境推測業界
4:07.879–4:17.079
術語或專業術語，防止同音異義字的錯誤轉換。嗯，事後無需再用其他AI重新摘要
4:17.079–4:24.720
，文字轉錄完成的瞬間，就能達到可直接作為疑似力或筆記使用的品質。這
4:24.720–4:29.320
就是智慧模式的真面目。那麼在此，讓我們確認Google官方
4:29.320–4:36.759
文件中明確記載的精確規格、時間限制等。嗯，如果這裡有誤解，實務上
4:36.759–4:41.440
就會出錯，因此我想準確傳達數字。首先第一個，
4:41.440–4:51.240
即時文字轉錄方面，目前單一串流會話的持續時間為每個會話最多10分鐘。也就是說，目前並非設計為將長達數小時的會議即時串流輸出，重點在於短發音或重點片段的音訊輸入。第二個，錄音檔的文字
4:51.240–5:02.240
目前並未設計成將長時間會議即時串流輸出，而是以短語或關鍵處的語音輸入為重點。
5:02.240–5:09.360
轉錄方面，一般請求可對應最長1小時的音訊檔案。
5:09.360–5:18.440
但若啟用分離或單字級的時間戳記，則限制為最長30分鐘。嗯，若要精確判斷
5:18.440–5:26.360
是誰在說話、以及何時說了多長時間，則最長為30分鐘。第三個
5:26.360–5:41.960
是說話人分離，使用上可對應最多8人，但官方文件明確記載3人以上的人數分離屬於實驗性質，因此，目前能確保高準確度分離的
5:41.960–5:44.520
對象僅限於3人。嗯
5:44.520–5:53.160
請記住這些數字：即時10分鐘、檔案1小時、分離30分鐘、最多3人。
5:53.160–6:03.440
那麼，接下來我們將實際查看畫面進行驗證，首先請前往Google AI Studio。現在展示的是
6:03.440–6:16.520
Google AI Studio，這裡顯示為模型選擇，請將此處改為音訊，這樣就會出現
6:16.520–6:18.639
名為Gemini 3.5 Transcribe的項目。接著，這個即時
6:18.639–6:31.400
功能可以在您說話的同時進行語音轉文字，因此選擇此項目後，即可直接輸入內容。這裡顯示為Trialer API，
6:31.400–6:39.039
由於這裡顯示為對話，因此直接按下對話按鈕即可開始。這裡有
6:39.039–6:43.680
智慧刪除功能。這將開啟或關閉智慧
6:43.680–6:46.919
功能。那麼，先關閉狀態下試著說話吧。這可以說話嗎？啊，
6:46.919–6:53.560
可以說話呢。好的。那麼，現在這裡
6:53.560–6:57.080
，呃，目前進行的是示範，這次最新的語音辨識是Google的
6:57.080–7:13.710
呃，這次以示範方式進行的是，呃，本次最新的語音辨識，呃，Google的，呃，Transcribe的，呃，示範。
7:13.720–7:15.879
好的。那麼，現在是
7:15.879–7:26.110
智慧模式未開啟的狀態，所以呈現出這種樣子。
7:26.120–7:28.840
好的。那麼，讓我們試試看開啟智慧模式
7:28.840–7:30.960
吧。順便一提，這裡
7:30.960–7:35.400
可以設定主要語言。如果主要使用日語，請設定為日語，這樣日語就會成為主要語言。那麼，即使開啟智慧模式，我也想再測試一次。好的。那麼，這裡
7:35.400–7:43.240
，呃，現在，啊，現在，呃，正在進行示範，呃，這樣做，呃，反映得順利嗎？
7:43.240–7:51.319
啊，出現了。那麼，現在這樣做，呃
7:51.319–8:04.830
，稍微停頓一下，呃，就會像這樣，呃，正確的文字會被反映出來。
8:04.840–8:06.759
呃，像是那些多餘的部分，呃，被移除了呢。
8:06.759–8:15.039
呃，如果稍微停頓一下，呃，就會像這樣，呃，反映準確的文字。Filler音和
8:15.039–8:21.670
剛才，呃，智慧模式
8:21.680–8:23.720
關閉時與開啟時相比，呃，明顯文章的精確度提高了呢。
8:23.720–8:26.440
那麼，這裡我想試著重新說一遍。呃，也就是說
8:26.440–8:36.630
下次會議希望以3人出席。啊，不不，呃，請稍等。呃，不是3人
8:36.640–8:42.000
，呃，而是4人，呃，預計將以4人出席。
8:42.000–8:47.959
看到了嗎？現在以這種形式，呃，重新說一遍
8:47.959–8:50.040
的情況下，根據上下文判斷哪一個是正確的，呃，並套用正確的內容。因此
8:50.040–8:57.430
呃，呃，預計邀請4位，呃，聽取報告。
8:57.440–9:00.640
。那麼，人們，呃，通常會
9:00.640–9:10.320
出現重新說一遍的情況，呃，從這個意義上來說，確實能夠妥善移除重新說一遍或雜音等，呃，並以正確的上下文，呃，進行表達，這真是
9:10.320–9:24.200
不僅文字轉錄的精度非常高，而且不是單純準確地轉錄文字，而是理解語境後再進行轉錄，呃，非常適合用於擬似力等。
9:24.200–9:27.560
好的。非常棒呢。
9:27.560–9:39.680
呃，會正常產生，呃，從這個意義上來說，確實需要徹底去除這種重說或Filler音等，呃，以正確的語境，呃，進行表達。
9:39.680–9:47.190
即時語音的示範。那麼，接下來，切換模式
9:47.200–9:49.200
，這次，呃，是非即時版本。好的。請查看
9:49.200–9:51.399
我想請您查看的錄音語音
9:51.399–9:58.600
呃，剛才展示的是即時語音的示範。接下來，呃，切換
9:58.600–10:04.399
模式，這次，呃，是非即時的版本，呃，好的。來看
10:04.399–10:07.800
想請大家看看錄音的音訊。
10:07.800–10:13.480
上傳音訊，並讀取使用該音訊。接著，
10:13.480–10:26.680
Word 的時間戳記與說話者標籤已確認無誤，設定為標註 Word 時間戳記與說話者標籤，並在這裡放入示範用的音訊。那麼，接下來，
10:26.680–10:30.040
進行文字轉錄。
10:30.040–10:31.560
這樣會變成怎樣呢？嗯，ChatGPT
10:31.560–10:39.880
Work 方面，嗯，示範性地將約 5 分鐘的對話進行文字轉錄。我想看看識別與時間戳記
10:39.880–10:43.720
想看看那個部分。
10:43.720–10:47.079
好的，出來了呢。
10:47.079–10:51.079
啊，真不錯呢。確實識別了說話者
10:51.079–10:54.200
呢。嗯，聲音確實不同
10:54.200–11:02.600
所以能識別，不過即便如此，確實準確識別了說話者呢。然後，像是男性和女性這樣容易分辨的情況，因為那樣的話，ChatGPT Work 的聲音設為男性來嘗試看看，但即便如此也已經準確讀取了。
11:02.600–11:12.800
如果是比較容易出錯的類型，我試著把ChatGPT Work的聲音設為男性來聽，但即便如此，它還是讀得很準確呢。
11:12.800–11:17.079
不，這真的很厲害呢。真的。
11:17.079–11:20.360
嗯，作為示範是完美的呢。然後
11:20.360–11:22.959
，好的。然後，現在，嗯，試著使用這個，
11:22.959–11:34.800
嗯，我也，嗯，明白了，啊，這個 Smart Transcription 與 Word 時間戳記、說話者標籤似乎無法同時使用。所以如果想使用這個，
11:34.800–11:39.320
該怎麼辦呢？就是必須分開使用，也就是說。
11:39.320–11:55.600
所以大概插入智慧功能後，同樣地，插入並進行文字轉錄的話，識別與時間戳記不會出現，而是會出來，大概是這種感覺吧。好的，出來了呢。不過，嗯，
11:55.600–11:57.560
我做了很多重說。
11:57.560–12:01.519
刻意地。然後，那個，確實只聚焦在
12:01.519–12:05.399
重要的部分，雖然剛才非常長。嗯，這樣子
12:05.399–12:09.920
會被篩選掉，所以從實際示範錄音的角度來說，我認為這個比較好。剛才
12:09.920–12:16.079
是正確完成了文字轉錄的狀態。嗯，然後，識別與時間戳記
12:16.079–12:29.160
準確出現，這次選擇這個 Smart Transcription 的話，嗯，就像現在這樣，嗯，多餘的部分被剔除，只有內容精準呈現，嗯，識別不會出現
12:29.160–12:31.600
不過。所以，嗯，兩者都製作
12:31.600–12:33.519
是一個方法呢。
12:33.519–12:44.760
兩者都下載，然後示範錄音方面選擇目前的轉錄，嗯，Word 時間戳記與說話者標籤方面，嗯，會議的，嗯，作為原始記錄進行文字轉錄。嗯
12:44.760–12:47.360
，這部分應該可以吧，我是這樣想。
12:47.360–12:56.440
嗯，就像剛才這樣觀看，以這樣的速度，以及這樣的精度上傳，真的非常棒呢。非常
12:56.440–12:59.000
棒。然後，嗯，如果是錄音
12:59.000–13:08.959
而不是，嗯，想即時拍攝的情況下，有這個 Record Audio，可以貼上識別與說話者標籤，所以，嗯，如果想即時進行會議的話
13:08.959–13:18.160
，嗯，Record Audio 也可以，不過，嗯，我認為用直播就好，所以，嗯，只是想貼上識別與說話者標籤的話，這裡的 Record Audio 應該就可以了
13:18.160–13:19.800
呢。嗯，取得後大概
13:19.800–13:31.240
會下載這個，所以如果是直播的話，會變成剛才的文字轉錄那樣，識別等還無法做到，大概是這種感覺吧。嗯，不過，那樣即時
13:31.240–13:44.279
出現的話，真的，例如再說一次，包含南長先生等人，嗯，以文字，嗯，進行對話時，可能會變得非常輕鬆吧，嗯，然後，今後，嗯，
13:44.279–13:57.959
高齡世代也會增加，所以，嗯，如果只說話無法傳達的話，也可以以文字顯示，嗯，還有，說明方面，嗯，說明資料等，以高品質的文字呈現出來，這樣的方式也有，所以，嗯，使用方法、可能性等，真的會大幅擴展吧，我是這樣想。那麼，嗯，回到資料方面
13:57.959–14:09.680
嗯，我認為也有透過提高制度來超越文字的方式，所以，使用方法和可能性可能會大幅擴展，我是這樣想的。那麼，嗯，關於資料方面
14:09.680–14:12.040
嗯，社長們絕對應該知道的三大注意事項，功能限制，我想再次整理一下。嗯，
14:12.040–14:19.360
第一個是，嗯，安全性與機密資訊的處理。Google
14:19.360–14:23.440
AI Studio 純粹是開發者用的實驗環境，所以免費額度內數據可能會被用於學習。因此，涉及公司外部的董事會議或客戶
14:23.440–14:35.959
的個人資料等正式錄音數據投入，絕對要避免。嗯，僅作為示範用的，嗯
14:35.959–14:42.959
請絕對避免將包含本公司人員個資的正式錄音數據投入使用。
14:42.959–14:47.680
僅限於製作示範用途，或是進行了解運作方式等實驗。
14:47.680–14:49.839
第二點是時間長度的
14:49.839–15:01.360
上限。即時串流單一會話最大10分鐘，錄音檔案通常最大1小時，請將每30分鐘分割檔案後投入的運用方式視為最重要。
15:01.360–15:05.279
第三點是識別能力的極限。分離3人以內為高精度
15:05.279–15:18.839
，但4至8人屬於實驗性質且無保證，因此對於多人同時喧嘩交談的會議，必須以會發生講者辨識錯誤為前提進行確認。
15:18.839–15:29.639
目前預計不會在正式環境中使用，所以實驗上應該不會進行那麼多人的測試，但規定上確實是限制在3人以內。
15:29.639–15:42.920
那麼，Gemini 3.5 Transcribe的登場將為我們的商業未來帶來什麼樣的影響？我認為最有趣的部分是Google AI，特別是與Google Meet的整合。
15:42.920–15:47.720
Google Meet有自動文字轉錄的功能。嗯，日文辨識的準確度
15:47.720–15:52.680
Google Meet已有自動文字轉錄功能。我認為日文辨識準確度
15:52.680–16:00.600
和填充詞處理方面仍有改善空間。然而，如果
16:00.600–16:13.880
Gemini 3.5 Transcribe的技術標準搭載於Meet後端會發生什麼事？在會議進行的同時
16:13.880–16:16.240
大概就這樣呢。會議結束後
16:16.240–16:23.519
撰寫筆記的工作本身可能會完全從這個世界上消失，嗯，就是那種感覺。此外，嗯，進化不僅限於筆記方面
16:23.519–16:25.959
撰寫會議記錄的工作本身將從這個世界上完全消失，就是這種感覺。
16:25.959–16:37.959
能夠精確地轉錄成文字，意味著可以以該文字為起點，嗯，例如，讓Gemini Spark等自主型AI Agent聯動運作。嗯，例如業務
16:37.959–16:53.480
音訊被賦予智慧並精確轉錄為文字，意味著可以以該文字為起點，例如讓Gemini Spark等自主型AI代理程式聯動運作。
16:53.480–16:55.720
出現了。此外，客服
16:55.720–17:09.959
電話應對中，與客戶的通話會即時轉錄成文字，AI會瞬間在畫面上提供最佳回答建議。隨著「AI的耳朵」不斷進化，公司營運層面將有潛力瞬間實現自動化。
17:09.959–17:12.079
這部分。那麼
17:12.079–17:19.480
那麼，我們經營者現在應該做什麼準備？接下來將介紹現在就能進行的3個準備行動。
17:19.480–17:25.839
步驟1是在Google AI Studio中實際使用麥克風說話。
17:25.839–17:36.039
即使是10分鐘內的測試音訊也沒關係，首先請用自己的聲音體驗常規模式與智慧模式的不同，並掌握「竟能整理得如此乾淨」的直覺感受。
17:36.039–17:41.679
步驟2是盤點車內發生的音訊業務。
17:41.679–17:50.960
請列出會議、業務諮詢、招募面試、電話應對等被轉錄與整理工作奪走時間的業務在車內有多少。
17:50.960–17:54.600
步驟3是整理公司專有名詞與商品名稱。
17:54.600–18:08.159
目前雖然可以作為未來與自訂詞彙註冊，但現在只是實驗性質，所以註冊與否並非必要，但進入正式環境時，只要註冊這些自訂詞彙，轉錄準確度就會
18:08.159–18:11.080
更高。因此請整理公司特有的用語
18:11.080–18:14.600
請務必將這些整理好。透過做好這項準備
18:14.600–18:24.880
，一旦正式實裝至工作空間，就能以壓倒性的速度實現業務效率提升與自動化。接下來是本日的總結。
18:24.880–18:32.440
當功能正式實裝於工作空間時，就能以壓倒其他對手的速度實現業務效率化與自動化。
18:32.440–18:43.480
聽著對話內容，並將其整理成人類易讀的形式，這是AI通訊基礎設施的重大進化之一。用鍵盤打字喀喀
18:43.480–18:53.760
本次發布的Gemini 3.5 Transcribe並非單純的文字轉錄工具，而是AI在理解語境的同時聆聽對話，並整理成人類易讀形式的AI通訊基礎設施的重大進化之一。
18:53.760–19:04.720
從用鍵盤打字敲擊的時代，急速轉向只需說話，後方AI就會自動整理並完成工作的時代。
19:04.720–19:12.559
身為經營者的我們將從繁瑣的輸入與會議記錄製作等作業中完全解放，員工也無需再從事這類工作。
19:12.559–19:22.280
我們能夠將100%的精力專注於與員工及客戶的對話，以及創造公司未來的本質性經營判斷上。
19:22.280–19:23.600
請務必先親身體驗本次新功能，一邊想像公司未來的運作方式，一邊興奮地進行設計。
19:23.600–19:27.640
我經營著會員制AI商業實作實驗室（AI Business Implementation Lab）。在這裡
19:27.640–19:35.559
我運營著YouTube會員服務「AI商業實作實驗室」。
19:35.559–19:47.600
在這裡，我們透過每月一次的直播講座與會員限定的聊天室，與大家共同深入探討AI應用的活動。
19:47.600–19:50.320
詳情請查看說明欄。那麼，
19:50.320–19:57.000
如果今天的內容對您有幫助，請務必給予高讚並訂閱頻道。那麼，下次影片再見。
19:57.000–19:59.400
我是長嶋，希望能讓您有耳目一新之感。
19:59.400–20:03.320
謝謝大家。
0:00.080–0:02.600
皆さん、こんにちは。
大家好，大家好。
0:02.600–0:09.960
自分らしい生き方で元気で幸せな経用をするあり方社長を5万人にする傾斜コンサルタント目から鱗の長嶋です。社長
我是長嶋，一位傾斜顧問，致力於讓5萬名社長以符合自身風格的生活方式，過上健康幸福的日子。社長
0:09.960–0:15.759
のためのAI活用実践講座シリーズですが、本日のテーマはこちらになります。
這是為社長打造的AI實用講座系列，本日的主題如下。
0:15.759–0:28.039
ジェミ3.5トランスクライブ徹底検証Google本気の次世代知能付き持ちこしと題してお届けをしたいと考えています。ま、皆さん、あの
我們將以「Gemini 3.5 Transcribe徹底驗證：Google傾注心力的下一代智能」為題進行介紹。嗯，各位，那個
0:28.039–0:42.630
Googleから突如リースされた最新の文字起こしモデルジェニー3.5トランスクライブをご存知でしょうか?これがですね、本当にめちゃくちゃワクワクするような進化を遂げているということで話題なんですね。
大家是否知道Google突然釋出的最新文字轉錄模型Gemini 3.5 Transcribe？這個模型確實經歷了令人興奮不已的進化，因此成為話題。
0:42.640–0:56.359
で、GoogleAISTで誰でもすぐに試せるようにはなってるんですが、単に音声を文字にするということだけではなくて、インテリジェンス機能、スマート機能というものによって飯みとかフィラー音を
雖然Google AI Studio已讓任何人都能立即嘗試，但它不僅僅是將音訊轉為文字，更透過智慧功能、智能功能，將飯音（停頓）和填充音
0:56.359–1:04.239
綺麗に取り除いて専門用語をですね、ビシッと整えて文字起こしをしてくれるというとんでもない優れ物になっています。
乾淨地移除，並精準整理專業術語，成為一款驚人的優秀工具。
1:04.239–1:13.840
ま、今回はこの新機能の公式発表の狙いとか実際の制度検証を進めていきたいという風に思ってます。ま、将来的なね、同向も
嗯，這次我想針對這項新功能的官方發布目的以及實際的制度驗證進行探討。嗯，未來的前景
1:13.840–1:18.520
含めて考えていきたいなという風に思いますので、是非最後までご覧ください。
我也希望能一併考慮，因此請務必看到最後。
1:18.520–1:24.360
さて、まずは速報として何が起きたのかを整理しておきましょう。26年8月27日
那麼，首先讓我們整理一下發生了什麼事的快報。26年8月27日
1:24.360–1:34.880
、Googleは公式ブログ及び開発者向けポータルにてジェミニファミリーの最新モデルであるジェミ3.5トランスクライブを電撃発表しました。
Google在官方部落格及開發者門戶網站上，電擊發布了Gemini家族的最新模型Gemini 3.5 Transcribe。
1:34.880–1:45.000
これまでもジェミは音声の聞き取りは得意でしたが、今回は音声文字起こしに特化した専用モデルとして登場しました。現在
Gemini過去擅長聽取音訊，但這次是作為專門針對音訊文字轉錄的專用模型登場。目前
1:45.000–1:57.840
GoogleAISTO上でパブリックプレビューとして解放されていて、ブラウザー上ですぐにマイクを使ったリアルタイムの文字起こしとか録音ファイルの文字起こしをテストできるようになっています。AIスタジオって
已在Google AI Studio上以公開預覽形式開放，可在瀏覽器上立即測試使用麥克風的即時文字轉錄或錄音檔的文字轉錄。AI Studio
1:57.840–2:06.680
エンジニア向けでしょうと思われるような社長もいらっしゃるかもしれませんが、実は画面上でボタンをポチッと押すだけでマイクから喋ってテストまでできます。ま
可能有社長會認為這是給工程師用的，但其實只要在畫面上點擊按鈕，就能透過麥克風說話並進行測試。嗯
2:06.680–2:17.200
、非常に直感的なUIになっていますので、まずはこの新機能が手元に届いたというこのドキドキを是非一緒に味わいたいという風に思います。ではGoogleは
介面非常直觀，因此我想讓我們一起體驗這項新功能到手時的興奮感。那麼Google
2:17.200–2:30.120
なぜ今このトランスライブという音声認識特化のモデルを代々的にリリースしたのか、その狙いと背景を一緒に見ていきたいと思いますが、従来の文字起こしツールっていうのは例えばWISAとかGoogle
為何現在要戰略性地發布這款專攻音訊辨識的Transcribe模型？讓我們一起探討其目的與背景，但傳統的文字轉錄工具，例如Whisper或Google
2:30.120–2:42.840
の従来のスピーチtoテキストも精度は高かったんですが、本質的には聞こえた音をそのままテキストに変換するという機能でした。そのためAとかあのといった
傳統的語音轉文字，雖然準確度很高，但本質上只是將聽到的聲音直接轉換為文字的功能。因此，像「啊」、「那個」等
2:42.840–2:57.200
フィラ音言い間違い同音意義後の5変換がそのまま残ってしまうということが起こり、ま、例えば技似録にしていくには後から人が手直しをするか他のAIに投げて成唱させるという必要がありました。これに
填充音、口誤、同音異義字的錯誤轉換會殘留下來，嗯，例如若要製作會議紀錄，事後需要人工修改或交給其他AI進行成稿。對此
2:57.200–3:09.799
対してGoogleが目指したのはマルチモーダルAIであるジェミの文脈理解力を音声認識の瞬間に直接融合させるということなんですね。つまり会話全体の
Google所追求的是將多模態AI Gemini的語境理解能力，直接融合於音訊辨識的瞬間。也就是說，在理解整個對話的
3:09.799–3:18.480
文脈を理解しながらリアルタイムに意味の通る綺麗な文章へと聖書して出力していく。これこそがGoogleの狙いであり
語境下，即時輸出語意通順、整潔的文章。這正是Google的目的，也是
3:18.480–3:22.440
持ち起こしの完全なパラダイムシフトになるというポイントなんですね。
文字轉錄完全範式轉移的關鍵點。
3:22.440–3:30.599
このジェミニ3.5トランスクライブの最大の特徴それがインテリジェンス機能になります。具体的に何が従来の文字起こし
Gemini 3.5 Transcribe的最大特徵就是其智慧功能。具體來說，它與傳統的文字轉錄
3:30.599–3:37.319
と違うのかポイントは大きく3つあります。1つ目は飯みフィラオンの自動除去に
有何不同？重點大致有三個。第一是自動移除飯音和填充音。
3:37.319–3:41.599
なります。あ、AOといった無駄な発を
「啊」、「哦」等無效發音
3:41.599–3:47.840
AIが文脈を判断して自動的にカットしてくれます。2つ目がスマートな書式整形に
會由AI判斷語境並自動刪除。第二是智能格式整理。
3:47.840–3:51.280
なります。不当点の適切な配置はもちろん
當然包括適當配置句號
3:51.280–4:04.560
数字、単位、英語の略勝、大文字、小文字などを文脈に合わせて最も読みやすい形に自動整形するという機能が備わっています。3つ目が文脈水論による専門用語の正確
，還具備根據語境自動將數字、單位、英文縮寫、大小寫等調整為最易讀取形式的功能。第三是基於語境論述的專業術語精確
4:04.560–4:07.879
な変換になります。前後の文脈から業界
轉換。根據前後語境推測業界
4:07.879–4:17.079
用語や専門用語を推測して同音意義後のご変換を防ぐということができるようになっています。ま、後から別のAIで要約を
術語或專業術語，防止同音異義字的錯誤轉換。嗯，事後無需再用其他AI重新摘要
4:17.079–4:24.720
し直さなくても文字起こしされた瞬間にそのまま疑似力やメモとして使えるクオリティになる。これが
，文字轉錄完成的瞬間，就能達到可直接作為疑似力或筆記使用的品質。這
4:24.720–4:29.320
インテリジェンスモードの正体になります。さてここでGoogle公式
就是智慧模式的真面目。那麼在此，讓我們確認Google官方
4:29.320–4:36.759
ドキュメントで明記されている正確なスペック時間制限などについて抑えておきましょう。ま、ここを誤解してると実務で
文件中明確記載的精確規格、時間限制等。嗯，如果這裡有誤解，實務上
4:36.759–4:41.440
失敗してしまいますので数字を正確にお伝えしたいと思います。まず1つ目、
就會出錯，因此我想準確傳達數字。首先第一個，
4:41.440–4:51.240
リアルタイム文字起こしになりますが、連続ストリーミングセッションの持続時間というのはワンセッションあたり最大10分までと現状はなっています。つまり何
即時文字轉錄方面，目前單一串流會話的持續時間為每個會話最多10分鐘。也就是說，目前並非設計為將長達數小時的會議即時串流輸出，重點在於短發音或重點片段的音訊輸入。第二個，錄音檔的文字
4:51.240–5:02.240
時間もの会議をリアルタイムで垂れ流しするという仕様には今はなっていなくて短い発や要所の音声入力がポイントになっています。2つ目、録音ファイルの文字
目前並未設計成將長時間會議即時串流輸出，而是以短語或關鍵處的語音輸入為重點。
5:02.240–5:09.360
起こしになりますが、こちらは通常のリクエストで最大1時間までの音声ファイルに対応してるということです。
轉錄方面，一般請求可對應最長1小時的音訊檔案。
5:09.360–5:18.440
ただし分離や単語レベルのタイムスタンプを有効にした場合は最大30分までに制限されます。ま、誰が喋ってるのかっていう
但若啟用分離或單字級的時間戳記，則限制為最長30分鐘。嗯，若要精確判斷
5:18.440–5:26.360
のと、いつどれぐらいの時間喋ってるかみたいなことを正確に割り出す場合には最大30分までになります。そして3つ目
是誰在說話、以及何時說了多長時間，則最長為30分鐘。第三個
5:26.360–5:41.960
、和車分離になりますが、使用上は最大8人まで対応するということですが、ただし公式ドキュメントには3名以上の和射式別は実験的だという風に明記されているので、ま、確実に高制度で分けられるのは現状
是說話人分離，使用上可對應最多8人，但官方文件明確記載3人以上的人數分離屬於實驗性質，因此，目前能確保高準確度分離的
5:41.960–5:44.520
3名までとなっているということです。ま
對象僅限於3人。嗯
5:44.520–5:53.160
、このリアルタイム10分、ファイル1時間、分離30分、3名までという数字を頭に入れといていただければと思います。
請記住這些數字：即時10分鐘、檔案1小時、分離30分鐘、最多3人。
5:53.160–6:03.440
さて、それでは実際の画面を見ながら検証していきたいという風に思いますので、まずはGoogleAISTに行きましょう。今お見せしてるのが
那麼，接下來我們將實際查看畫面進行驗證，首先請前往Google AI Studio。現在展示的是
6:03.440–6:16.520
GoogleAISTOで、ここのモデルセレクションという風になっていますが、ここをですね、オーディオという風に変えていただくと、こちらにともうですね、ジェミニ3.5トランスクライブという
Google AI Studio，這裡顯示為模型選擇，請將此處改為音訊，這樣就會出現
6:16.520–6:18.639
ものが出てきています。で、このライブと
名為Gemini 3.5 Transcribe的項目。接著，這個即時
6:18.639–6:31.400
いうものが実際に喋りながらですね、え、音声文字起こしをしてくれるモデルになりますので、こちらを選んでいただくと、もうこれで中に入れるという状態になります。で、TriライザラブAPIという
功能可以在您說話的同時進行語音轉文字，因此選擇此項目後，即可直接輸入內容。這裡顯示為Trialer API，
6:31.400–6:39.039
風になっていて、ま、ここでトークという風になってるので、え、このままですね、トークを押すと始まります。ここにですね
由於這裡顯示為對話，因此直接按下對話按鈕即可開始。這裡有
6:39.039–6:43.680
、スマートリプションというものがありますね。これがスマート
智慧刪除功能。這將開啟或關閉智慧
6:43.680–6:46.919
機能のオンとオフになります。で、一旦
功能。那麼，先關閉狀態下試著說話吧。這可以說話嗎？啊，
6:46.919–6:53.560
ですね、オフにした状態で喋ってみましょう。これ話できてますかね?あ、
可以說話呢。好的。那麼，現在這裡
6:53.560–6:57.080
できてますね。はい。え、今ここでですね
，呃，目前進行的是示範，這次最新的語音辨識是Google的
6:57.080–7:13.710
、えっと、デモ的に行っているのが、え、今回のその最新の音声認識であるGoogleの、え、トランスクライブの、え、デモになっています。
呃，這次以示範方式進行的是，呃，本次最新的語音辨識，呃，Google的，呃，Transcribe的，呃，示範。
7:13.720–7:15.879
はい。で、これは今インテリ、え、
好的。那麼，現在是
7:15.879–7:26.110
スマートモードになっていない状態なので、えー、こんな感じになっているというところですね。
智慧模式未開啟的狀態，所以呈現出這種樣子。
7:26.120–7:28.840
はい。じゃあ、スマートモードを入れてみ
好的。那麼，讓我們試試看開啟智慧模式
7:28.840–7:30.960
ましょう。ちなみにですが、ここに
吧。順便一提，這裡
7:30.960–7:35.400
プライマリーランエッジということで、ここで言語設定もできます。ま、中心に
可以設定主要語言。如果主要使用日語，請設定為日語，這樣日語就會成為主要語言。那麼，即使開啟智慧模式，我也想再測試一次。好的。那麼，這裡
7:35.400–7:43.240
使うのが日本語であれば、日本語を設定していただければ、ま、これでですね、日本語が中心になります。で、スマートモード
，呃，現在，啊，現在，呃，正在進行示範，呃，這樣做，呃，反映得順利嗎？
7:43.240–7:51.319
をオンにしてもう1度テストしていきたいと思います。はい。え、こちらで
啊，出現了。那麼，現在這樣做，呃
7:51.319–8:04.830
、あの、今、ああ、今、え、デモをやっていますが、え、こんな感じで、え、うまく反映されているでしょうか?
，稍微停頓一下，呃，就會像這樣，呃，正確的文字會被反映出來。
8:04.840–8:06.759
あ、出ましたね。で、今こうやって、えっ
呃，像是那些多餘的部分，呃，被移除了呢。
8:06.759–8:15.039
と、ちょっと間を開けたりすると、え、このように、え、正確な文字が反映されるという形になっていきます。フィラオンと
呃，如果稍微停頓一下，呃，就會像這樣，呃，反映準確的文字。Filler音和
8:15.039–8:21.670
か、ま、そういったものが無駄なものが、えっと、除去されましたよね。
剛才，呃，智慧模式
8:21.680–8:23.720
結構いいですよね。ま、優秀だなと思い
關閉時與開啟時相比，呃，明顯文章的精確度提高了呢。
8:23.720–8:26.440
ます。先ほどの、えっと、スマートモード
那麼，這裡我想試著重新說一遍。呃，也就是說
8:26.440–8:36.630
をオンフにしていた時とオンにしていた時では、ま、明らかにその文章の制度が上がってますよね。
下次會議希望以3人出席。啊，不不，呃，請稍等。呃，不是3人
8:36.640–8:42.000
じゃあここでですね、言い直しをしてみたいと思います。えっと、そういう意味で
，呃，而是4人，呃，預計將以4人出席。
8:42.000–8:47.959
言うと次回の打ち合わせは3名でお伺いをしたい。あ、いやいや、えっとちょっと
看到了嗎？現在以這種形式，呃，重新說一遍
8:47.959–8:50.040
待ってくださいね。えっと、3名ではなく
的情況下，根據上下文判斷哪一個是正確的，呃，並套用正確的內容。因此
8:50.040–8:57.430
て、え、4名、え、てお伺いする予定にしています。
呃，呃，預計邀請4位，呃，聽取報告。
8:57.440–9:00.640
見ましたかね。今この形で、え、言い直し
。那麼，人們，呃，通常會
9:00.640–9:10.320
をした場合にどちらが正しいのかということを文脈上判断して、え、正しいものを適用するという形になっています。なので
出現重新說一遍的情況，呃，從這個意義上來說，確實能夠妥善移除重新說一遍或雜音等，呃，並以正確的上下文，呃，進行表達，這真是
9:10.320–9:24.200
文字起こしとしての精度がめちゃくちゃ高いだけではなくて、文字を正確に起こすのではなくて文脈を理解して文脈を理解した上で文字起こしをするので、ま、疑似力とかにはめちゃくちゃ最適だということ
不僅文字轉錄的精度非常高，而且不是單純準確地轉錄文字，而是理解語境後再進行轉錄，呃，非常適合用於擬似力等。
9:24.200–9:27.560
ですね。で、人は、ま、言い直しっていう
好的。非常棒呢。
9:27.560–9:39.680
のを普通に、え、起こってしまうので、ま、こういった意味で考えるとやっぱりこの言い直しとかフィラ音とかこういったものをしっかりと除去して、え、正しい文脈で、え、表現してくれるっていうのは
呃，會正常產生，呃，從這個意義上來說，確實需要徹底去除這種重說或Filler音等，呃，以正確的語境，呃，進行表達。
9:39.680–9:47.190
めちゃくちゃありがたいという風になると思います。
即時語音的示範。那麼，接下來，切換模式
9:47.200–9:49.200
はい。めちゃくちゃいいですよね。
，這次，呃，是非即時版本。好的。請查看
9:49.200–9:51.399
めっちゃいいなと思います。で、これ今見
我想請您查看的錄音語音
9:51.399–9:58.600
ていただいたのがライブの音声のデモになりますね。で、次にですね、モードを
呃，剛才展示的是即時語音的示範。接下來，呃，切換
9:58.600–10:04.399
切り替えて、今度は、えっと、ライブではないバージョンですね。はい。を見て
模式，這次，呃，是非即時的版本，呃，好的。來看
10:04.399–10:07.800
いただきたいなと思います。録音をの音声
想請大家看看錄音的音訊。
10:07.800–10:13.480
をですね、アップロードしてその音声を読み込んで使ってみたいと思います。で、
上傳音訊，並讀取使用該音訊。接著，
10:13.480–10:26.680
Wordのタイムスタンプとスピーカーラベルがオッケーで、Wordのタイムスタンプとスピーカーラベルをつけてもらう形にして、今ここにデモ的に作った音声を入れました。じゃあこれをですね、
Word 的時間戳記與說話者標籤已確認無誤，設定為標註 Word 時間戳記與說話者標籤，並在這裡放入示範用的音訊。那麼，接下來，
10:26.680–10:30.040
文字起こししていきます。
進行文字轉錄。
10:30.040–10:31.560
そうするとどうなるか。ま、チャット
這樣會變成怎樣呢？嗯，ChatGPT
10:31.560–10:39.880
GPTワークとですね、え、デモ的に5分ぐらい取ったトークを今文字起こししてもらっています。認識とタイムスタンプと
Work 方面，嗯，示範性地將約 5 分鐘的對話進行文字轉錄。我想看看識別與時間戳記
10:39.880–10:43.720
いうところを見たいなと思います。
想看看那個部分。
10:43.720–10:47.079
はい、出ましたね。
好的，出來了呢。
10:47.079–10:51.079
あ、いいですね。ちゃんとワ者を認識して
啊，真不錯呢。確實識別了說話者
10:51.079–10:54.200
ますね。ま、声がね、あの、確実に違うの
呢。嗯，聲音確實不同
10:54.200–11:02.600
で認識ができるんですが、ま、それでもですね、ちゃんと正確にワ者を認識してますね。で、男性と女性みたいな分かり
所以能識別，不過即便如此，確實準確識別了說話者呢。然後，像是男性和女性這樣容易分辨的情況，因為那樣的話，ChatGPT Work 的聲音設為男性來嘗試看看，但即便如此也已經準確讀取了。
11:02.600–11:12.800
やすいやつだとあれなんで、チャトGPTワークの声を男性にして見てるみたんですが、それでももう正確に読んでますね。
如果是比較容易出錯的類型，我試著把ChatGPT Work的聲音設為男性來聽，但即便如此，它還是讀得很準確呢。
11:12.800–11:17.079
いや、すごいですよね、これ。本当に。
不，這真的很厲害呢。真的。
11:17.079–11:20.360
えっと、疑似6としては完璧ですよね。で
嗯，作為示範是完美的呢。然後
11:20.360–11:22.959
、はい。で、今、あの、これ使ってみて、
，好的。然後，現在，嗯，試著使用這個，
11:22.959–11:34.800
えっと、私も、え、分かったんですが、あ、このスマートランスプションとWordタイムスタンプスピーカーラベルは同時では使えないみたいですね。なのでこれ使い
嗯，我也，嗯，明白了，啊，這個 Smart Transcription 與 Word 時間戳記、說話者標籤似乎無法同時使用。所以如果想使用這個，
11:34.800–11:39.320
たい場合はですね、どうするかって言うと分けないといけないってことですよね。だ
該怎麼辦呢？就是必須分開使用，也就是說。
11:39.320–11:55.600
から多分スマート機能を入れて同じくですね、入れてで文字起こしをさせると認識やタイムスタンプは出ずに出てくるって感じですかね。はい、出ましたね。ただえっとね、
所以大概插入智慧功能後，同樣地，插入並進行文字轉錄的話，識別與時間戳記不會出現，而是會出來，大概是這種感覺吧。好的，出來了呢。不過，嗯，
11:55.600–11:57.560
言い直しとかめっちゃしたんですよ。
我做了很多重說。
11:57.560–12:01.519
あえて。で、それがですね、確実に大切な
刻意地。然後，那個，確實只聚焦在
12:01.519–12:05.399
部分だけに絞られて、さっきめちゃくちゃ長かったですけどね。ま、こんな感じで
重要的部分，雖然剛才非常長。嗯，這樣子
12:05.399–12:09.920
絞られるんで、実態疑似録的に言うとこっちの方がいいと思いますね。さっきの
會被篩選掉，所以從實際示範錄音的角度來說，我認為這個比較好。剛才
12:09.920–12:16.079
は正しく文字起こしができてるという状態でしたね。え、で、認識とタイムスタンプ
是正確完成了文字轉錄的狀態。嗯，然後，識別與時間戳記
12:16.079–12:29.160
が正確に出るということなんですが、今度こっちのあのスマートランスプションの方を選ぶと、え、今このように、えっと、無駄なものが削ぎ落とされて、ただ内容だけがバシッと出てくると、ま、認識は出
準確出現，這次選擇這個 Smart Transcription 的話，嗯，就像現在這樣，嗯，多餘的部分被剔除，只有內容精準呈現，嗯，識別不會出現
12:29.160–12:31.600
ないですけどね。なので、ま、両方作っと
不過。所以，嗯，兩者都製作
12:31.600–12:33.519
くっていうのは1つ手だと思いますね。
是一個方法呢。
12:33.519–12:44.760
両方落としといて、で、技似録的には今のこのトランスクリプションを選んで、え、ワードタイムスタンプとスピーカーラベルの方は、え、ミーティングの、えっと、原票としての文字を起こしにしておく。ま
兩者都下載，然後示範錄音方面選擇目前的轉錄，嗯，Word 時間戳記與說話者標籤方面，嗯，會議的，嗯，作為原始記錄進行文字轉錄。嗯
12:44.760–12:47.360
、この辺はありかなという風に思います。
，這部分應該可以吧，我是這樣想。
12:47.360–12:56.440
ま、今こうやって見ていただいたようにこれぐらいのスピードで、そしてこの精度で上がってくるということで、もうめちゃくちゃいいですよね。めちゃくちゃ
嗯，就像剛才這樣觀看，以這樣的速度，以及這樣的精度上傳，真的非常棒呢。非常
12:56.440–12:59.000
いいと。それでですね、えっと、録音じゃ
棒。然後，嗯，如果是錄音
12:59.000–13:08.959
なくて、え、その場で撮りたいという場合にはこのレコードオーディオというのがあって、認識やスピーカーラベルも貼ることができますので、ま、何かリアルタイムでミーティングをしたいという場合
而不是，嗯，想即時拍攝的情況下，有這個 Record Audio，可以貼上識別與說話者標籤，所以，嗯，如果想即時進行會議的話
13:08.959–13:18.160
には、ま、レコードオーデオでもオッケーなんですが、ま、それだったらライブでいいと思うので、この、ま、ただ認識とスピーカーラベルを貼りたかったらここでのレコードオーディオでいいんじゃないか
，嗯，Record Audio 也可以，不過，嗯，我認為用直播就好，所以，嗯，只是想貼上識別與說話者標籤的話，這裡的 Record Audio 應該就可以了
13:18.160–13:19.800
なと思います。ま、取ってからおそらく
呢。嗯，取得後大概
13:19.800–13:31.240
これを落とし込んでいくということなんで、ライブでやる場合には先ほどの文字起こしの感じになっていくと認識とかまだできないとそんな感じかなという風には思います。ま、ただあれぐらいのリアル
會下載這個，所以如果是直播的話，會變成剛才的文字轉錄那樣，識別等還無法做到，大概是這種感覺吧。嗯，不過，那樣即時
13:31.240–13:44.279
タイムで出てくると本当にですね、例えばもう1回ね、南長の方とか含めてですね、え、文字で、え、対話をする時にはめちゃくちゃ楽になるんじゃないかなという風に思いますし、ま、これから、え、
出現的話，真的，例如再說一次，包含南長先生等人，嗯，以文字，嗯，進行對話時，可能會變得非常輕鬆吧，嗯，然後，今後，嗯，
13:44.279–13:57.959
シニアの世代も増えてくるので、ま、そういった方々に話すだけだと伝わらなかったら文字でも示すみたいなこともできるし、ま、あとは説明のね、え、何か説明の資料なんかもバーと取ったものをこう今の
高齡世代也會增加，所以，嗯，如果只說話無法傳達的話，也可以以文字顯示，嗯，還有，說明方面，嗯，說明資料等，以高品質的文字呈現出來，這樣的方式也有，所以，嗯，使用方法、可能性等，真的會大幅擴展吧，我是這樣想。那麼，嗯，回到資料方面
13:57.959–14:09.680
、えっと、制度高い文字を越して出していくっていうやり方もあると思うので、ま、使い方、可能性っていうのはめちゃくちゃ広がるんじゃないかなという風には思っています。それでは、えっと、資料の方に
嗯，我認為也有透過提高制度來超越文字的方式，所以，使用方法和可能性可能會大幅擴展，我是這樣想的。那麼，嗯，關於資料方面
14:09.680–14:12.040
戻っていきましょう。さて、ま、ここで、
嗯，社長們絕對應該知道的三大注意事項，功能限制，我想再次整理一下。嗯，
14:12.040–14:19.360
え、社長の皆様に絶対知っておいていただきたい3大注意点、機能制限を改めてまとめていきたいと思います。ま、
第一個是，嗯，安全性與機密資訊的處理。Google
14:19.360–14:23.440
1つ目なんですが、ま、セキュリティと機密情報の扱いになります。Google
AI Studio 純粹是開發者用的實驗環境，所以免費額度內數據可能會被用於學習。因此，涉及公司外部的董事會議或客戶
14:23.440–14:35.959
AIスタジオはあくまでも開発者向けの実験環境になりますので、無料枠ではデータが学習に利用される可能性があります。なので社外費の役員会議とかお客様
的個人資料等正式錄音數據投入，絕對要避免。嗯，僅作為示範用的，嗯
14:35.959–14:42.959
の個人情報が入った本番の録音データを投入するっていうのは絶対に避けてください。ま、デモ的に作ったもので、え
請絕對避免將包含本公司人員個資的正式錄音數據投入使用。
14:42.959–14:47.680
、どういう動きをするかっていう実験だけにしてください。2つ目が時間の長さの
僅限於製作示範用途，或是進行了解運作方式等實驗。
14:47.680–14:49.839
上限です。リアルタイムはワンセッション
第二點是時間長度的
14:49.839–15:01.360
最大10分、録音ファイルは通常最大1時間、あかじめ30分ごとにファイルを分割して投入する運用が最も重要になるという風に思ってください。そして3つ目が
上限。即時串流單一會話最大10分鐘，錄音檔案通常最大1小時，請將每30分鐘分割檔案後投入的運用方式視為最重要。
15:01.360–15:05.279
識別の限界です。分離は3名までは高制度
第三點是識別能力的極限。分離3人以內為高精度
15:05.279–15:18.839
なんですが、4から8名は実験的で保証外になってるので、大人数でですね、ガヤガヤと同時に喋るような会議については話者の取り違いが起こる前提でチェックするという必要があります。ま、まだ本番
，但4至8人屬於實驗性質且無保證，因此對於多人同時喧嘩交談的會議，必須以會發生講者辨識錯誤為前提進行確認。
15:18.839–15:29.639
環境で使わないと思いますので、ま、実験的にはそこまでの人数のやつはやんないかなという風に思いますが、あくまで3名限界と、ま、そういうことになっています。では、このジェミニ3.5
目前預計不會在正式環境中使用，所以實驗上應該不會進行那麼多人的測試，但規定上確實是限制在3人以內。
15:29.639–15:42.920
トランスクライブの登場は私たちのビジネスの未来にどんなインパクトをもたらすのか、私が最も面白いという風に思ってるのはGoogleace、特にGoogleMeetへの統合だという風に思ってます。ま、今もですね、
那麼，Gemini 3.5 Transcribe的登場將為我們的商業未來帶來什麼樣的影響？我認為最有趣的部分是Google AI，特別是與Google Meet的整合。
15:42.920–15:47.720
GoogleMeetには自動文字起こしの機能があります。ま、日本語の認識制度
Google Meet有自動文字轉錄的功能。嗯，日文辨識的準確度
15:47.720–15:52.680
やフィラーの処理にはまだまだ改善の余地があるという風に考えます。ところがこの
Google Meet已有自動文字轉錄功能。我認為日文辨識準確度
15:52.680–16:00.600
ジェミニ3.5のトランスクライブの技術がミートの裏側に、え、標準搭載されたらどうなるか。会議が起こってるその最中に
和填充詞處理方面仍有改善空間。然而，如果
16:00.600–16:13.880
リアルタイムで全員の発言がわ別に美しくえっと整えられて会議が終了した瞬間に手直しの全くいらない完璧な技似力がGoogleドキュメントとして完成するような世界っていうのがもう間もなくやっ
Gemini 3.5 Transcribe的技術標準搭載於Meet後端會發生什麼事？在會議進行的同時
16:13.880–16:16.240
てくるとそんな感じですね。会議の後に
大概就這樣呢。會議結束後
16:16.240–16:23.519
疑似力を書くという仕事そのものが完全にこの世から消滅すると、ま、そういう感じです。さらに、え、進化は疑似力だけには
撰寫筆記的工作本身可能會完全從這個世界上消失，嗯，就是那種感覺。此外，嗯，進化不僅限於筆記方面
16:23.519–16:25.959
とまらないと思います。ま、音声が知能
撰寫會議記錄的工作本身將從這個世界上完全消失，就是這種感覺。
16:25.959–16:37.959
付きで正確にテキスト化されるということはそのテキストを起点にして、え、例えばですね、ジェミニスパークのような自立型のAIエージェントが連動して動けるようになるということです。ま、例えば営業
能夠精確地轉錄成文字，意味著可以以該文字為起點，嗯，例如，讓Gemini Spark等自主型AI Agent聯動運作。嗯，例如業務
16:37.959–16:53.480
担当者がお客様と承を行うとその会話の内容からお客様の課題や要望、次回のアクションが自動出されてCRMへの入力、見積もり書のドラフト作成、次回の面談日程の仮応抑えまでが全で完了する可能性
音訊被賦予智慧並精確轉錄為文字，意味著可以以該文字為起點，例如讓Gemini Spark等自主型AI代理程式聯動運作。
16:53.480–16:55.720
が出てきました。またカスタマーサポート
出現了。此外，客服
16:55.720–17:09.959
の電話対応でもお客様との通話がリアルタイムで文字起こしされてAIが画面上に最適な回答候補を瞬時に提示するAIの耳というものが進化することで会社のオペレーションレベルが一気に自動化され
電話應對中，與客戶的通話會即時轉錄成文字，AI會瞬間在畫面上提供最佳回答建議。隨著「AI的耳朵」不斷進化，公司營運層面將有潛力瞬間實現自動化。
17:09.959–17:12.079
ていくっていう可能性が出てきます。それ
這部分。那麼
17:12.079–17:19.480
では、え、私たち経営者は今何を準備しておくべきなのか、今からできる3つの準備アクションをお伝えしていきます。ま、
那麼，我們經營者現在應該做什麼準備？接下來將介紹現在就能進行的3個準備行動。
17:19.480–17:25.839
ステップ1はGoogleAIスタジオで実際にマイクを使って喋ってみることです。ま、10分以内のテスト音声で構わない
步驟1是在Google AI Studio中實際使用麥克風說話。
17:25.839–17:36.039
ので、ノーマルモードとインテリジェンスモードの違いを自分の声でまず体感をし、ここまで綺麗に治るのかという肌感覚を掴んでもらうのがいいかなと思います。
即使是10分鐘內的測試音訊也沒關係，首先請用自己的聲音體驗常規模式與智慧模式的不同，並掌握「竟能整理得如此乾淨」的直覺感受。
17:36.039–17:41.679
ステップ2は車内で発生している音声業務の棚下ろしです。ま、経営会議とか営業
步驟2是盤點車內發生的音訊業務。
17:41.679–17:50.960
相談とか採用面接、電話対応など文字起こしとようやくに時間を奪われてるような業務が車内にどれだけあるかをリストアップしておきます。ステップさん
請列出會議、業務諮詢、招募面試、電話應對等被轉錄與整理工作奪走時間的業務在車內有多少。
17:50.960–17:54.600
は自社の専門用語や商品名の整理です。ま
步驟3是整理公司專有名詞與商品名稱。
17:54.600–18:08.159
、将来とカスタム語彙として登録することは今もできるんですが、今、ま、実験上なので登録する、登録する必要はないですが、本番環境に来た時にこのカスタム語を登録しておくだけで文字起こしの制度は
目前雖然可以作為未來與自訂詞彙註冊，但現在只是實驗性質，所以註冊與否並非必要，但進入正式環境時，只要註冊這些自訂詞彙，轉錄準確度就會
18:08.159–18:11.080
より高くなります。なので自社特有の言葉
更高。因此請整理公司特有的用語
18:11.080–18:14.600
をまとめておくということはやっておいてください。ま、この準備をしておくことで
請務必將這些整理好。透過做好這項準備
18:14.600–18:24.880
、ワークスペースに正式実装された瞬間、他を圧倒するスピードで業務効率化や自動化を実現するということができるようになります。さて、本日のまとめになります
，一旦正式實裝至工作空間，就能以壓倒性的速度實現業務效率提升與自動化。接下來是本日的總結。
18:24.880–18:32.440
が、ま、今回発表されたジェミニ3.5トランスクライブは単なる文字起こしのツールではありません。AIが文脈を理解
當功能正式實裝於工作空間時，就能以壓倒其他對手的速度實現業務效率化與自動化。
18:32.440–18:43.480
しながら話を聞いて人間が読みやすい形に整えてくれるというAIのコミュニケーション基盤の大きな進化の1つです。キーボードで文字をカタカタ
聽著對話內容，並將其整理成人類易讀的形式，這是AI通訊基礎設施的重大進化之一。用鍵盤打字喀喀
18:43.480–18:53.760
打ち込む時代から声で話せば裏側でAIが全てを整えて仕事を完了させてくれる時代へと急速にシフトしていきます。経営者で
本次發布的Gemini 3.5 Transcribe並非單純的文字轉錄工具，而是AI在理解語境的同時聆聽對話，並整理成人類易讀形式的AI通訊基礎設施的重大進化之一。
18:53.760–19:04.720
ある私たちは面倒な入力や疑似録作成といった作業から完全に解放されますし、社員もそういった仕事に充実させるという必要がなくなります。社員やお客様との
從用鍵盤打字敲擊的時代，急速轉向只需說話，後方AI就會自動整理並完成工作的時代。
19:04.720–19:12.559
対話、そして自社の未来を作る本質的な経判断に100%のエネルギーを注ぐということができるようになってきています。
身為經營者的我們將從繁瑣的輸入與會議記錄製作等作業中完全解放，員工也無需再從事這類工作。
19:12.559–19:22.280
是非今回の新機能をまずは触ってみて自社の未来の働き方を想像しながらワクワクしてデザインをしていくということをやってください。さて、ここでお知らせがあり
我們能夠將100%的精力專注於與員工及客戶的對話，以及創造公司未來的本質性經營判斷上。
19:22.280–19:23.600
ます。私はYouTubeの
請務必先親身體驗本次新功能，一邊想像公司未來的運作方式，一邊興奮地進行設計。
19:23.600–19:27.640
メンバーシップであるAIビジネス実装ラボというものを運営しています。ここで
我經營著會員制AI商業實作實驗室（AI Business Implementation Lab）。在這裡
19:27.640–19:35.559
は毎月1回のライブセッションやメンバー限定のチャットを通じでAI活用について皆さんと一緒に深める活動をしています。
我運營著YouTube會員服務「AI商業實作實驗室」。
19:35.559–19:47.600
現場団の努臭い思考錯誤やYouTubeでは出せない具体的なプロンプトの裏側も共有していますので、自社の業務にAIを具体的に組み込んでいきたいという社長様やリーダーの方は是非概要欄のリンクから
在這裡，我們透過每月一次的直播講座與會員限定的聊天室，與大家共同深入探討AI應用的活動。
19:47.600–19:50.320
詳細をチェックしてみてください。さて、
詳情請查看說明欄。那麼，
19:50.320–19:57.000
本日の内容が参考になったという方は是非高評価とチャンネル登録をよろしくお願いたします。それではまた次回の動画でお
如果今天的內容對您有幫助，請務必給予高讚並訂閱頻道。那麼，下次影片再見。
19:57.000–19:59.400
会いしましょう。目から鱗の長嶋でした。
我是長嶋，希望能讓您有耳目一新之感。
19:59.400–20:03.320
ありがとうございました。
謝謝大家。

影片筆記：【話題沸騰】Google本気の文字起こし「Gemini3.5 Transcribe」は何が凄いのか徹底解説

<!-- 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=0 待確認：疑似漏聽專有名詞前綴；暫定：活用実践講座シリーズ；segment=1 待確認：專有名詞拼寫錯誤及語意不明；暫定：ジェミ3.5トランスクライブ徹底検証Google本気の次世代知能付き持ちこし）
  • 待修正：逐字稿可先使用，但有待校正清單（segment=10 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=14 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 發布專為語音轉錄設計的「Gemini 3.5 Transcribe」模型，透過「智能模式」自動去除填充詞、修正口誤並優化格式，實現從「單純轉錄」到「高品質筆記生成」的範式轉移，但需注意即時轉錄時長限制及說話者分離的準確度邊界。

核心重點

  • 功能突破：Gemini 3.5 Transcribe 不僅是語音轉文字工具，更具備 AI 智能（Intelligence），能基於上下文理解自動去除「啊」、「嗯」等填充詞，修正口誤，並進行智慧格式排版（標點、數字、縮寫等）。
  • 規格限制：
  • 即時轉錄：單次最長 10 分鐘。
  • 錄音檔轉錄：一般最長 1 小時；若啟用「說話者分離」與「時間戳記」，最長限 30 分鐘。
  • 說話者分離：僅 3 人以內 保證高準確度；4-8 人為實驗性質，多人同時說話易誤認。
  • 實測驗證：在 Google AI Studio 測試顯示，開啟「智能轉錄」可過濾廢話與口誤，輸出乾淨文字；關閉則保留原始語音特徵。
  • 互斥性：「智能轉錄」功能與「時間戳記/說話者標籤」無法同時使用，需根據需求（高品質筆記 vs. 帶時間戳的原始記錄）選擇開啟其一。
  • 企業應用建議：建議企業主預先盤點業務流程，整理專屬術語，並體驗該功能，為未來整合至 Google Meet 等產品做準備。

詳細大綱

一、 前言與背景

  • 講者身分：傾斜顧問，目標為讓 5 萬名社長過上健康幸福的生活。
  • 主題：Google 突發發布之最新文字轉錄模型「Gemini 3.5 Transcribe」徹底驗證。
  • 核心賣點：結合 AI 智能功能，自動去除填充詞、整齊專業術語，帶來範式轉移。

二、 功能發布與背景解析

  • 發布資訊：2026年8月27日（註：依逐字稿），Google 透過官方部落格及開發者門戶發布。
  • 模型定位：專為語音文字轉錄設計之專用模型，屬於 Gemini 家族最新成員。
  • 現有問題：傳統工具（如 Whisper、Google Speech-to-Text）僅將聲音轉為文字，保留「啊」、「那個」等填充詞及口誤，需後期人工或 AI 二次處理。
  • Google 目標：將多模態 AI（Gemini）的語境理解力直接融入語音識別瞬間，實現即時、語意通順、格式整齊的文字輸出。

三、 Gemini 3.5 Transcribe 三大核心特徵

  1. 填充詞自動去除：AI 判斷語境，自動刪除「啊」、「嗯」等無效發音。
  2. 智慧格式排版：自動調整標點符號、數字、單位、英文縮寫、大小寫，使閱讀最舒適。
  3. 基於語境的專業術語轉換：根據前後文推測行業術語，防止同音異義字錯誤轉換。
  • *結果*：轉錄瞬間即具備筆記或會議記錄品質，無需額外 AI 摘要。

四、 官方規格與限制（重要）

  • 即時文字轉錄：單一串流會話最長 10 分鐘。
  • 錄音檔文字轉錄：
  • 一般請求：最長 1 小時。
  • 啟用說話者分離與時間戳記：最長 30 分鐘。
  • 說話者分離：
  • 使用上限：最多 8 人。
  • 準確度限制：3 人以上為實驗性質，目前僅 3 人以內 保證高準確度。

五、 實機操作驗證（Google AI Studio）

  • 操作環境：Google AI Studio，選擇「Audio」模型，選取「Gemini 3.5 Transcribe」。
  • 即時測試（Live）：
  • 介面包含「Smart Transcription」（智能轉錄）開關。
  • 關閉智能模式：轉錄內容包含大量填充詞與口誤，需後期整理。
  • 開啟智能模式：自動過濾填充詞，修正口誤（如講者自糾正人數），輸出乾淨文字。
  • 語言設定：可設定主要語言（如日文/中文）。
  • 檔案上傳測試：
  • 上傳錄音檔，可選擇開啟「Word 時間戳記」與「說話者標籤」。
  • 互斥性驗證：「智能轉錄」與「時間戳記/說話者標籤」無法同時使用。
  • 建議策略：
  1. 開啟智能模式：用於生成高品質筆記/會議記錄。
  2. 關閉智能模式並開啟標籤：用於生成帶有時間戳記與說話者區分的原始會議記錄。

六、 三大注意事項與限制

  1. 安全性與機密資訊：Google AI Studio 為開發者實驗環境，免費枠數據可能被用於學習。禁止投入包含客戶個資或內部機密的正式錄音。
  2. 時間長度上限：
  • 即時：單次 10 分鐘。
  • 檔案：1 小時（若需分離則 30 分鐘）。建議 30 分鐘分割檔案投入。
  1. 分離極限：僅 3 人以內為高準確度，4-8 人為實驗性質，多人同時說話易發生說話者誤認。

七、 未來影響與企業準備

  • 與 Google Meet 整合潛力：若整合至 Google Meet，會議中即時生成整齊文字，結束即生成完美筆記至 Google Docs，消除會後整理筆記工作。
  • AI 代理（Agent）聯動：
  • 銷售場景：對話內容自動提取客戶需求，連結 CRM、生成報價單草稿、預約下次會議。
  • 客服場景：即時轉錄並提供 AI 回答建議，提升自動化水平。
  • 經營者準備行動：
  1. 實測體驗：在 Google AI Studio 使用麥克風測試 10 分鐘內語音，感受智能模式與非智能模式差異。
  2. 業務盤點：列出內部涉及文字轉錄與整理的業務（經營會議、銷售諮詢、面試、電話應對）。
  3. 術語整理：整理公司專屬術語與商品名稱，未來可註冊為自訂詞彙以提升準確度。

八、 總結

  • Gemini 3.5 Transcribe 是 AI 溝通基礎設施的重大進化，從「打字時代」轉向「說話時代」，AI 在後台自動整理工作。
  • 解放經營者與員工於繁瑣輸入與筆記製作，專注於本質決策與對話。
  • 呼籲觀眾實際體驗，想像未來工作模式。

工具 / 模型 / 名詞整理

  • Gemini 3.5 Transcribe（或稱：ジェミ3.5トランスクライブ、ジェミニ3.5トランスクライブ）：Google 最新發布之專為語音轉錄設計的模型。
  • Google AI Studio（或稱：GoogleAISTO、AIスタジオ）：進行實測驗證的開發者實驗環境。
  • Google Meet：潛在整合目標，未來可能支援即時轉錄與筆記生成。
  • Google Docs（或稱：Googleドキュメント）：筆記生成與儲存目標平台。
  • Whisper（或稱：WISA，依逐字稿聽寫）：傳統語音轉文字工具對比對象。
  • Google Speech-to-Text（或稱：Googleの従来のスピーチtoテキスト）：Google 現有傳統語音轉文字服務。
  • Gemini Spark（或稱：ジェミニスパーク）：提及之相關模型名稱。
  • CRM：客戶關係管理系統，銷售場景中與 AI 代理聯動。
  • YouTube：影片發布平台。
  • AI Business Implementation Lab（或稱：AIビジネス実装ラボ）：YouTube 會員制頻道名稱。
  • Smart Transcription（或稱：スマートリプション、スマートランスプション）：智能轉錄功能開關。
  • Speaker Label（或稱：スピーカーラベル）：說話者標籤功能。
  • Timestamp（或稱：ワードタイムスタンプ）：時間戳記功能。

操作流程整理

  1. 進入 Google AI Studio：選擇「Audio」模型，選取「Gemini 3.5 Transcribe」。
  2. 選擇操作模式：
  • 即時測試（Live）：使用麥克風輸入，設定主要語言。
  • 檔案上傳：上傳錄音檔，可選擇開啟「Word 時間戳記」與「說話者標籤」。
  1. 設定智能模式：
  • 若需高品質筆記：開啟「Smart Transcription」（智能轉錄），關閉時間戳記與說話者標籤。
  • 若需原始會議記錄：關閉「Smart Transcription」，開啟「時間戳記」與「說話者標籤」。
  1. 執行轉錄：
  • 即時模式下，單次轉錄限制 10 分鐘。
  • 檔案模式下，若啟用分離功能，單次轉錄限制 30 分鐘；一般請求限制 1 小時。
  1. 結果確認與應用：
  • 確認文字稿品質，判斷是否需後期整理。
  • 企業用戶可將此流程整合至內部業務盤點與術語整理準備中。

值得注意的限制或風險

  • 數據安全性：Google AI Studio 為開發者實驗環境，免費枠數據可能被用於學習，禁止投入包含客戶個資或內部機密的正式錄音。
  • 時長限制：即時轉錄單次最長 10 分鐘；錄音檔若需說話者分離與時間戳記，最長僅 30 分鐘。
  • 說話者分離準確度：僅 3 人以內保證高準確度；4-8 人為實驗性質，多人同時說話易發生說話者誤認。
  • 功能互斥：「智能轉錄」與「時間戳記/說話者標籤」無法同時使用，需權衡需求。
  • 日期疑點：逐字稿提及發布日期為「2026年8月27日」，需查證是否為口誤或未來預測。

逐字稿辨識疑點

  • 時間日期：逐字稿提及「26年8月27日」，指 2026 年 8 月 27 日，需查證是否為口誤或未來預測。
  • 模型名稱聽寫：
  • 「ジェミ3.5」：疑為「Gemini 3.5」之聽寫。
  • 「WISA」：疑為「Whisper」之聽寫。
  • 「聖書して」：疑為「文字して」（文字化/轉錄）之聽寫錯誤。
  • 「技似録」：疑為「議事録」（會議記錄）之聽寫錯誤。
  • 「成唱」：疑為「生成」或「作成」之聽寫錯誤。
  • 「飯み」：疑為「フィラ」（Filler/填充詞）之聽寫錯誤。
  • 「同音意義後」：疑為「同音異義語」之聽寫錯誤。
  • 「車內」：疑為「社内」（公司內部）之聽寫錯誤。
  • 「棚下ろし」：疑為「棚卸し」（盤點/清查）之聽寫錯誤。
  • 「努臭い」：疑為「現場的」或類似形容詞之聽寫錯誤。
  • 「ジェミスパーク」：疑為「Gemini Spark」之聽寫。
  • 「ジェミ3.5トランスクライブ」：多次出現，確認為 Gemini 3.5 Transcribe。
  • 功能名稱：
  • 「Smart Transcription」：逐字稿中稱為「スマートリプション」或「スマートランスプション」，疑為「Smart Transcription」。
  • 「Speaker Label」：逐字稿中稱為「スピーカーラベル」，確認為說話者標籤。
  • 「Timestamp」：逐字稿中稱為「ワードタイムスタンプ」，疑為「Word Timestamp」或「Time Stamp」。
  • 其他疑點：
  • 「持ち起こし」：疑為「文字起こし」（文字轉錄）之聽寫錯誤。
  • 「インテリジェンスモード」：確認為智能模式。
  • 「ライブ」：確認為即時/直播模式。
  • 「レコードオーディオ」：確認為錄音音訊功能。

可延伸追問

  • Gemini 3.5 Transcribe 的「智能模式」具體如何定義「填充詞」與「口誤」的邊界？是否有參數可調整敏感度？
  • 若企業內部有大量專業術語，是否支援預先註冊自訂詞彙庫以提升準確度？
  • 預計何時會將此功能正式整合至 Google Meet 及 Google Docs？
  • 對於超過 3 人的會議，目前建議的替代方案為何？（例如：分段轉錄、人工標記等）
  • 免費枠數據用於學習的具體政策與隱私保護機制為何？企業版是否有數據隔離選項？

生字列表

生字讀音類型中文
傾斜コンサルタントけいしゃコンサルタント名詞斜向顧問（指針對特定領域提供非傳統、突破性建議的顧問）
目から鱗めからうろこ成句耳目一新、豁然開朗
突如とつじょ副詞突然、出乎意料地
めちゃくちゃめちゃくちゃ副詞非常、極度（口語）
優れ物すぐれもの名詞優秀的事物、好東西
電撃発表でんげきはっぴょう名詞/動詞電擊發布、突然宣布
特化とっか名詞/動詞專門化、專攻
直感的ちょくてきな形容動詞直觀的、直覺的
本質的ほんしてき形容動詞本質的、根本的
融合ゆうごう名詞/動詞融合、結合
パラダイムシフトパラダイムシフト名詞範式轉移、典範轉移
実務じつむ名詞實務、實際工作

生字解說

傾斜コンサルタント けいしゃコンサルタント

名詞 · N1

意思：斜向顧問（指針對特定領域提供非傳統、突破性建議的顧問）

解說：原文自創詞彙，結合「傾斜（斜向/非垂直）」與「顧問」，暗示其顧問服務具有獨特、非標準化的視角。

影片原句
自分らしい生き方で元気で幸せな経用をするあり方社長を5万人にする傾斜コンサルタント目から鱗の長嶋です。
我是長嶋，一位傾斜顧問，致力於讓5萬名社長以符合自身風格的生活方式，過上健康幸福的日子。
延伸例句
彼は業界の常識を覆す傾斜コンサルタントとして、多くの企業に新しい視点を提供している。
他作為打破業界常識的斜向顧問，為許多企業提供了新的視角。

目から鱗 めからうろこ

成句 · N2

意思：耳目一新、豁然開朗

解說：比喻突然明白道理或發現新事物，感覺像眼睛裡長出鱗片一樣。

影片原句
自分らしい生き方で元気で幸せな経用をするあり方社長を5万人にする傾斜コンサルタント目から鱗の長嶋です。
我是長嶋，一位傾斜顧問，致力於讓5萬名社長以符合自身風格的生活方式，過上健康幸福的日子。
延伸例句
彼のプレゼンテーションは目から鱗で、私の考え方を根本から変えた。
他的簡報讓我耳目一新，徹底改變了我的想法。

突如 とつじょ

副詞 · N2

意思：突然、出乎意料地

解說：形容事情發生得非常突然，沒有預兆。

影片原句
Googleから突如リースされた最新の文字起こしモデルジェニー3.5トランスクライブをご存知でしょうか?
大家是否知道Google突然釋出的最新文字轉錄模型Gemini 3.5 Transcribe？
延伸例句
彼は突如として会社を辞めて海外へ旅立った。
他突然辭職去海外旅行了。

めちゃくちゃ めちゃくちゃ

副詞 · N3

意思：非常、極度（口語）

解說：口語中用來強調程度極深，帶有興奮或驚訝的情感色彩。

影片原句
これがですね、本当にめちゃくちゃワクワクするような進化を遂げているということで話題なんですね。
這個模型確實經歷了令人興奮不已的進化，因此成為話題。
延伸例句
今日はめちゃくちゃ忙しかった。
今天非常忙。

優れ物 すぐれもの

名詞 · N3

意思：優秀的事物、好東西

解說：指非常優秀、出色的人或事物。

影片原句
綺麗に取り除いて専門用語をですね、ビシッと整えて文字起こしをしてくれるというとんでもない優れ物になっています。
乾淨地移除，並精準整理專業術語，成為一款驚人的優秀工具。
延伸例句
この古いカメラは、今でも写真がきれいに撮れる優れ物だ。
這台舊相機現在依然能拍出漂亮的照片，是個好東西。

電撃発表 でんげきはっぴょう

名詞/動詞 · N2

意思：電擊發布、突然宣布

解說：指在沒有預先通知的情況下，突然公開重要消息。

影片原句
Googleは公式ブログ及び開発者向けポータルにてジェミニファミリーの最新モデルであるジェミ3.5トランスクライブを電撃発表しました。
Google在官方部落格及開發者門戶網站上，電擊發布了Gemini家族的最新模型Gemini 3.5 Transcribe。
延伸例句
会社は電撃発表で新CEOの就任を伝えた。
公司電擊發布了新CEO上任的消息。

特化 とっか

名詞/動詞 · N2

意思：專門化、專攻

解說：指將功能或資源集中於某一特定領域。

影片原句
これまでもジェミは音声の聞き取りは得意でしたが、今回は音声文字起こしに特化した専用モデルとして登場しました。
Gemini過去擅長聽取音訊，但這次是作為專門針對音訊文字轉錄的專用模型登場。
延伸例句
このAIは画像認識に特化して開発されている。
這個AI是專門為圖像識別開發的。

直感的 ちょくてきな

形容動詞 · N2

意思：直觀的、直覺的

解說：指不需要經過複雜邏輯思考，憑直覺就能理解或操作。

影片原句
、非常に直感的なUIになっていますので、まずはこの新機能が手元に届いたというこのドキドキを是非一緒に味わいたいという風に思います。
介面非常直觀，因此我想讓我們一起體驗這項新功能到手時的興奮感。
延伸例句
直感的なデザインのおかげで、誰でも簡単に使えた。
由於直觀的設計，任何人都能輕鬆使用。

本質的 ほんしてき

形容動詞 · N2

意思：本質的、根本的

解說：指事物最根本、核心的性質。

影片原句
本質的には聞こえた音をそのままテキストに変換するという機能でした。
本質上只是將聽到的聲音直接轉換為文字的功能。
延伸例句
この問題は本質的には教育の問題だ。
這個問題本質上是教育問題。

融合 ゆうごう

名詞/動詞 · N2

意思：融合、結合

解說：指兩種或多種事物結合在一起，形成新的整體。

影片原句
Googleが目指したのはマルチモーダルAIであるジェミの文脈理解力を音声認識の瞬間に直接融合させるということなんですね。
Google所追求的是將多模態AI Gemini的語境理解能力，直接融合於音訊辨識的瞬間。
延伸例句
伝統と現代が融合した新しい建築様式が注目されている。
傳統與現代融合的建築新風格受到關注。

パラダイムシフト パラダイムシフト

名詞 · N1

意思：範式轉移、典範轉移

解說：指思維模式、基本規則或框架的根本性改變。

影片原句
これこそがGoogleの狙いであり持ち起こしの完全なパラダイムシフトになるというポイントなんですね。
這正是Google的目的，也是文字轉錄完全範式轉移的關鍵點。
延伸例句
インターネットは情報伝達のパラダイムシフトをもたらした。
互聯網帶來了信息傳播的範式轉移。

実務 じつむ

名詞 · N2

意思：實務、實際工作

解說：指實際工作中的業務或操作。

影片原句
ま、ここを誤解してると実務で失敗してしまいますので数字を正確にお伝えしたいと思います。
嗯，如果這裡有誤解，實務上就會出錯，因此我想準確傳達數字。
延伸例句
実務経験が豊富な人材を求めている。
正在尋求擁有豐富實務經驗的人才。

句型解說（含實例）

～という風に思う

意思：認為……、覺得……

接續：名詞/動詞普通形 + という風に思う

解說：表達個人的想法、判斷或預測，語氣較為委婉、客觀。

影片原句
ま、将来的なね、同向も含めて考えていきたいなという風に思いますので、是非最後までご覧ください。
嗯，未來的前景我也希望能一併考慮，因此請務必看到最後。
實例
  1. 彼は来月退職するという風に思っています。
    我認為他下個月會辭職。
  2. この問題は複雑だという風に思うので、専門家に相談した方が良いかもしれません。
    我認為這個問題很複雜，所以可能諮詢專家比較好。

～だけでなく、～も

意思：不僅……，也……

接續：名詞/動詞普通形 + だけでなく、名詞/動詞普通形 + も

解說：表示遞進關係，強調除了前項之外，還有後項的內容。

影片原句
単に音声を文字にするということだけではなくて、インテリジェンス機能、スマート機能というものによって飯みとかフィラー音を綺麗に取り除いて
但它不僅僅是將音訊轉為文字，更透過智慧功能、智能功能，將飯音（停頓）和填充音乾淨地移除
實例
  1. 彼は英語だけでなく、フランス語も話せる。
    他不僅會說英語，也會說法語。
  2. この機能は便利だけでなく、安全でもあります。
    這個功能不僅方便，也安全。

～てほしい

意思：希望……

接續：動詞て形 + ほしい

解說：表達說話者對聽者行為的期望或請求。

影片原句
ま、ここを誤解してると実務で失敗してしまいますので数字を正確にお伝えしたいと思います。
嗯，如果這裡有誤解，實務上就會出錯，因此我想準確傳達數字。
實例
  1. もっと早く来てほしい。
    我希望你來得早一點。
  2. この仕事をしっかりやってほしい。
    我希望你能好好完成這項工作。

～という点

意思：……這一點、……方面

接續：名詞/動詞普通形 + という点

解說：用於指出特定的重點、問題或特徵。

影片原句
これこそがGoogleの狙いであり持ち起こしの完全なパラダイムシフトになるというポイントなんですね。
這正是Google的目的，也是文字轉錄完全範式轉移的關鍵點。
實例
  1. 価格が安いという点が魅力だ。
    價格便宜是它的魅力所在。
  2. 安全性という点で問題はないか確認してください。
    請確認安全性方面是否有問題。

～ようにする

意思：努力使……、確保……

接續：動詞普通形 + ようにする

解說：表示為了達到某種狀態或結果而採取行動或保持某種習慣。

影片原句
前後の文脈から業界用語や専門用語を推測して同音意義後のご変換を防ぐということができるようになっています。
根據前後語境推測業界術語或專業術語，防止同音異義字的錯誤轉換。
實例
  1. 毎日運動するようにしている。
    我努力每天運動。
  2. 遅刻しないように気をつける。
    我會注意不要遲到。