ai translation21分で読めます

Googleはあなたのベトナム語会議をリアルタイムで翻訳する。だが、一言も書き残さない。

Google Meetの翻訳字幕はベトナム語を含む69言語、Google TranslateのLive translateは74言語に対応しています。一方、MeetのTranscripts機能とGeminiによるメモ作成機能はいずれもちょうど8言語のみで、ベトナム語はどちらにも入っていません。DeepL Voiceがベトナム語の発話を文字起こしできるのは、管理者による有効化が必要で自動検出も使えないサードパーティ経由の経路だけです。2026年のリアルタイム音声翻訳がベトナム語チームに実際にもたらすもの、そして最後までもたらさないものを整理します。

K
Ken Jo
#vietnamese#live-translation#google-translate#google-meet#meeting-notes#sea#asr#multilingual-meetings

ベトナム語でリアルタイム音声翻訳をGoogleに検索すると、かなり良い答えにたどり着きます。Google TranslateのLive translate機能はAndroidとiOSの両方で74言語に対応しており、ベトナム語もその中に含まれています。イヤホンの有無を問わず動作し、画面をロックしても動き続け、画面を半分に分けて話者それぞれが自分の側を読む対面モードも備えています。

きちんと機能します。興味深いのはそこではありません。

興味深いのは、同じプラットフォーム上で4時間後に起きることです。実際に何が合意されたのかを確認したくなったとき、という意味です。保存できるGoogleドキュメントを生成する機能であるGoogle MeetのTranscriptsは、ちょうど8言語にしか対応しておらず、ベトナム語はその中にありません。Meetの「Take notes for me」が対応する8言語にも入っていません。しかもこの機能のヘルプページには、「一度に1つの言語のみに対応する」「同じ会議で複数の言語が話される場合は現在サポートされていない」と書かれています。

TL;DR

  • ベトナム語は、聞く側のGoogle機能ではすべて対応しています。Live translate（74言語）、Meetの翻訳字幕（69言語）。一方、書く側のGoogle機能ではどちらも非対応です。Meet TranscriptsとMeetのGeminiメモ作成機能、いずれも8言語のみです。
  • DeepL Voiceはベトナム語で字幕を表示できますが、自社モデルでベトナム語の発話を文字起こしすることはできません。ベトナム語は、管理者が有効化する必要があり自動検出も使えないサードパーティ層に置かれています。
  • 本稿は2026年8月31日時点で、主要プラットフォームごとにベトナム語対応がどこで途切れるのかを地図のように示し、記録が残るベトナム語・英語会議を運営するための6ステップの手順を提示します。

同じ主張のより一般的な形は、今日の午前中にすでに扱いました。翻訳は見事だったのに夕食時には消えているとき何が起きるか、という記事です。本稿は対象がより狭く、ベトナム語チームにとっては状況がより悪いものです。問題は、リアルタイムのツールが忘れることだけではありません。記憶を担う機能が、名指しでベトナム語を飛ばしているという点です。

いま「リアルタイム音声翻訳」がベトナム語で実際にもたらすもの

まずは正直な会計から始めます。Googleの無料ツールは、それが作られた目的については非常に優秀だからです。

2026年8月31日に取得したAndroid向けヘルプページによれば、Google TranslateのLive translateには4つのモードがあります。Listening（スマートフォンを耳に当てるかイヤホンを使い、相手の発話をリアルタイム翻訳する）、Conversation（翻訳が音声で再生され、話者が交互に話す）、Text only（音声なしで読むだけ）、そしてCustom settingsです。これとは別にFace to faceモードがあり、画面が左右に分割され、各話者が自分の側で自分の言語の文字起こしと翻訳の両方を見られます。マイクが一方の言語の終わりともう一方の始まりを自動的に検知するため、文と文の間でボタンを押す人は必要ありません。

通常受けている評価より高く評価されるべき点が2つあります。第一に、セッションがマルチタスクに耐えます。Googleのドキュメントは、翻訳が「アプリを切り替えても、アプリケーションを最小化しても、画面がロックされても、途切れることなく継続する」と明記しています。第二に、ベトナム語はオフライン用にダウンロードでき、ダウンロードしたパックは同じ画面からより高品質な版へアップグレードできます。現地訪問や工場のフロアで通信品質が保証されない国では、これは小さくない差です。

意外に思われることが多いので、限界を1つはっきり述べておきます。これはスマートフォンの機能です。ウェブ版に関するGoogleのヘルプページは、一文でこう述べています。「ウェブ版のGoogle Translateでは、話しながら同時に翻訳することはできません。」バイリンガル会議がノートPC上で行われるなら、Live translateはその場にいません。

要点はこうです。会話であれば——タクシー、取引先訪問、来訪した顧客との廊下での立ち話であれば——これはほぼ解決済みの問題に近く、費用もかからず、私たちはためらいなく推奨します。失敗は会話にはありません。会議にあります。

Gemini 3.5 Live TranslateはMeetを5言語から70言語超へ引き上げる

状況は速く動いており、その方向はベトナム語話者に有利です。

2026年6月9日、Googleは70を超える言語を扱う音声対音声の翻訳モデル、Gemini 3.5 Live Translateを発表しました。Slatorが2026年6月16日に報じたところによれば、このモデルはGemini Live APIとGoogle AI Studioを通じてパブリックプレビューで展開され、一部のWorkspace顧客向けにGoogle Meetでプライベートプレビューに入り、AndroidとiOSのGoogle Translateモバイルアプリには全世界で提供されます。

Meetにとって重要な数字は、その前後比較です。Meetの音声翻訳はこれまで、英語との相互翻訳のみに限られた5つの対応言語にとどまっていました。Gemini 3.5 Live Translateはこれを70を超える言語と2,000通りを超える言語ペアの組み合わせへ拡大し、より広い提供は2026年後半に予定されています。ベトナム語チームにとって、英語を軸とする5言語の仕組みは事実上存在しないに等しいものでした。2,000ペアは別の製品です。

Googleがこのモデルの位置づけを狭く保っていることは、悪い兆候ではなくむしろ良い兆候です。Slatorによれば、ドキュメントはLive TranslateをGeminiのより広範なLive Agent機能と対比しています。このモデルはリアルタイム翻訳のパイプラインとして機能し、音声のみの入力を受け付け、関数呼び出し、検索グラウンディング、ツール、システム指示を意図的に省いています。アシスタントではなく通訳者だ、ということです。OpenAIがGPT-Realtime-Translateを説明した際に引いたのと同じ区別です。GoogleはさらにAndroidに「listening mode」を追加し、翻訳音声を受話口から流すようにしました。会議で目立つようにイヤホンを装着しなくても翻訳を追える、という仕組みです。

つまりベトナム語のリアルタイム層は、複数の方向から同時に、速く改善しています。では、もう一方の問いに移ります。

記録の境界線——ベトナム語はここで止まる

どのプラットフォームにも1本の線があります。片側には、発話をその場で理解する助けになる機能があります。もう片側には、発話を来週も残っている何かに変える機能があります。これを記録の境界線と呼ぶことにします。そしてベトナム語にとって、その線はまさに対応が消える地点です。

ベトナム語がGoogleの聞く機能では対応され、書く機能では欠けていることを示す図

言語数はいずれもGoogle自身の数字で、2026年8月31日に取得した4つのヘルプページによります。ベトナム語は聞く機能の両方に登場し、書く機能のいずれにも登場しません。

同じ情報を表にもまとめます。非対称は並べて置いたほうが議論しやすいからです。

Googleの機能ベトナム語対応言語数通話後に成果物が残るか
Google Translate — Live translate対応74残らない
Google Meet — 翻訳字幕対応69画面上のみ。Record captionsで録画すれば映像に焼き込まれる
Google Meet — Transcripts非対応8残る。Googleドキュメント
Google Meet — 「Take notes for me」非対応8、一度に1つ残る。Googleドキュメントのメモとメール送信される要約
Google Meet — Gemini 3.5 Live Translate順次提供中現在5、プライベートプレビューで70以上記載なし

すべての行はGoogleのヘルプページおよびSlatorの2026年6月16日の記事によるもので、2026年8月31日に取得しました。

Transcriptsと「Take notes for me」が共有する8言語は完全に同一です。英語、フランス語、ドイツ語、イタリア語、日本語、韓国語、ポルトガル語、スペイン語。同じリストが二度出てくるだけであり、それは欧州と東アジアの大きな市場のリストです。サムスンが2024年の開発記で自ら挙げた数字でおよそ9,700万人が話すベトナム語は、その外側に、タイ語、インドネシア語、ヒンディー語、アラビア語と並んで置かれています。

バイリンガルのチームを名指しで直撃する制約がもう1つあり、これは対応言語だけで仕事をしているチームにも当てはまります。「Take notes for me」のGoogleヘルプページは、この機能が一度に1つの言語にしか対応せず、同じ会議で複数の言語が話される場合は現在サポートされていないと明記しています。ベトナム語と英語を行き来するベトナム・米国間の通話は、二重に失格になります。一度はベトナム語であることで、もう一度は言語を切り替えることで。

Googleのために公平を期すと、翻訳字幕にも残す経路はあります。会議を録画し、Record captionsを選択すれば、字幕は映像に焼き込まれます。セッション中に翻訳字幕をさかのぼって読むこともできます。しかし映像ファイルに焼き込まれた字幕は、検索できる記録ではありません。ピクセルにgrepはかけられず、名前を修正することもできず、そこから要約を生成することもできません。さらにMeetの翻訳字幕は有料のWorkspaceエディションに限定されます。Business Standard、Business Plus、Enterprise Standard、Enterprise Plus、Enterprise Starter（2025年6月30日まで提供）、そしてGoogle AI Pro for Educationです。

DeepLはベトナム語の字幕を見せてくれる。ベトナム語の発話を文字起こしするのは別の層の話だ

DeepL Voiceは欧米圏で最も強力な代替であり、そのベトナム語をめぐる事情は本稿全体で最も示唆に富みます。DeepLがこの区別を誰よりもよく文書化しているからです。

DeepLは言語対応を2つのリストに分けています。Spoken languagesは認識エンジンが受け付ける言語です。Translation languagesは字幕として表示できる言語です。ベトナム語は翻訳言語のリストに含まれ、こちらは41言語に及びます。では反対側を見てみましょう。DeepL自社モデルが文字起こしする発話言語は18です。中国語（標準語）、チェコ語、オランダ語、英語、フランス語、ドイツ語、インドネシア語、イタリア語、日本語、韓国語、ポーランド語、ポルトガル語、ルーマニア語、ロシア語、スペイン語、スウェーデン語、トルコ語、ウクライナ語。ベトナム語はここにありません。

ベトナム語も発話言語として利用できます。ただし、サードパーティ提供者であるSpeechmaticsが文字起こしする20言語という第2の層においてのみです。これには3つの条件が付き、いずれも2026年8月31日に取得したDeepLのヘルプページに記載されています。

  1. チーム管理者が組織の管理者アカウントでサードパーティ処理を有効にする必要があります。それ以前は、これらの言語はまったく機能しません。
  2. 自動検出は機能しません。DeepLの表現をそのまま引くと、「サードパーティ言語はAuto-detect languageでは機能しません。Spoken languageとして手動で選択する必要があります。」
  3. 参加者が各自の発話言語を選べるようにするには、会議をDeepL Voiceに接続する際にホストがアクセスコードを有効にする必要があります。

どれも不合理ではありません。DeepLは、Speechmaticsがゼロ保持の契約のもとで運用されており、文字起こしデータは処理が終わり次第そのサーバーから削除されると説明しています。しかし要件を積み上げると、実務上の帰結が出てきます。DeepLを組み込んだ会議に参加したベトナム語話者は、管理者がチェックしていない設定1つのせいでまったく文字起こしされない可能性があり、システムが自分に自動的に気づいてくれることを当てにもできません。一方、データ保持の姿勢は今朝書いたものと同じです。DeepLのFAQは、会議データが「メモリ上で一時的に処理され、通話が終わると削除される」と述べています。

サムスンは挙げておく価値のある反例です。ベトナム語はGalaxy AIが最初に提供した16言語に含まれており、サムスンR&D研究所ベトナムは2024年5月23日、それがなぜ難しかったのかについて異例なほど率直な記録を公開しました。ベトナム語には互いに区別される六つの声調があります。記事が挙げる例は、ma、mả、má——幽霊、墓、母——が声調だけで異なるというものです。同研究所のASRリードであるブイ・ゴック・トゥン氏は、「約20ミリ秒」単位の音声フレームを区別し、連続するフレームがどの語に属するかを判断するモデルについて説明しています。韓国の携帯電話メーカーがベトナム語の声調モデリングに投資する一方で、欧州の翻訳企業がそれを下請けに回すという構図は、市場がこの言語に付けている価格について何かを語っています。

音声認識の供給側は、メモ作成側より事情が良好です。DeepgramのNova-3は、2026年8月31日に取得したモデルおよび言語のドキュメントでベトナム語をviとして掲載しています。音声認識の対応範囲において「対応」という語が何を隠しているかを分析した記事で私たちが数えた58言語のうちの1つです。

ベトナム語の会議音声の誤り率を公表するベンダーはなく、その理由はコーパスにある

私たちは、会議環境でのベトナム語文字起こしの品質に付けられる数字を探しました。そんな数字は存在せず、その理由のほうが数字そのものより有用でした。

ベトナム語音声コーパス3種のラベル付き時間数を、発話のレジスターごとに注記した棒グラフ

ラベル付き時間数がすべてではありません。重要なのはレジスターです。FLEURSは朗読音声、PhoWhisperの学習セットは複数のアクセントにまたがり、VietSuperSpeechは日常会話を狙って作られた初のコーパスです。出典は下のリストに日付付きで示しています。

ベトナム語について誰もが引くベンチマークはFLEURSで、1言語あたりおよそ12時間の朗読音声を提供します。朗読音声は会議の音声ではありません。ICLR 2024 Tiny Papersトラックで発表されたPhoWhisperは、アクセントの多様性を基準に選んだ844時間のベトナム語データセットでWhisperをファインチューニングしており、これは現実性へ向けた実際の一歩です。2025年5月23日に公開されたVietASRは別の道を取りました。ラベルなし音声70,000時間で事前学習し、ラベル付きのわずか50時間でファインチューニングするという手法で、実環境データにおいてWhisper Large-v3や商用システムを上回ったと報告しています。

そして、皆が黙っていた部分を口に出した論文があります。2026年に公開されたVietSuperSpeechは、日常会話体ベトナム語の音声・テキストのペア52,023組を集めて合計267.39時間を構成し、これを学習用240.67時間と評価用26.72時間に分割し、声調記号が完全に付与された文字1,380万字を含みます。その動機として述べられている一文が、まさに引用に値します。

「VLSP2020、VIET_BUD500、VietSpeech、FLEURS、VietMed、Sub-GigaSpeech2-Vi、viVoice、Sub-PhoAudioBookといったコーパスは、フォーマルな発話および朗読音声を幅広くカバーしているが、対話型AIの応用に不可欠な、日常的で自発的なレジスターを特に対象としたものは1つも存在しない。」

名前の付いたベトナム語コーパスが8つあり、今回のものが出るまで、人が会議で実際に話す仕方——割り込み、言い淀み、製品名だけ英語に切り替え、語尾を消す——を狙って作られたものは1つもありませんでした。ベンダーがベトナム語について提示する精度の数字は、ほぼ確実に、誰かが台本を読み上げる状況で測定されたものです。

そこから出てくる運用上の帰結は単純で、私たちが何度もたどり着くものと同じです。自分の会議の文字起こしがどれほど正確になるのかを調べられないなら、唯一の防御は人が読んで直せる文字起こしです。そしてそれには、そもそも文字起こしが存在している必要があります。

記録が残るベトナム語・英語会議の進め方

6つのステップを、実際に起きる順に並べます。どれも上で文書として確認した特定の失敗に対応しています。

  1. 理解を担うツールと記録を担うツールを分け、それが別々のツールであることを受け入れてください。この一行が本稿のすべてです。Google TranslateやMeetの字幕は、今日でもベトナム語で最初の仕事をこなします。二つ目の仕事は、どちらもこなしません。
  2. ベトナム語を発話言語として明示的に指定し、自動検出に頼らないでください。DeepLではこれは必須です。ベトナム語を含むサードパーティ言語は自動検出されないからです。それ以外の場所でも、依然としてこちらが良い選択です。自動検出はセッション全体で最も文脈の乏しい最初の数秒の音声だけで推測を確定してしまうからです。
  3. プラットフォームの対応言語ではなく、記録機能そのものの対応言語リストを確認してください。本稿が存在する理由である落とし穴は、ベトナム語を翻訳するプラットフォームならベトナム語を文字起こしもしてくれるだろうという思い込みです。Google Meetにおける69対8は、まさにその2つの思い込みの間の隔たりです。
  4. コードスイッチングの問題を通話前に明示してください。チームが英語の製品名、チケットID、略語をベトナム語の文に混ぜるなら——そしてオフショアの開発チームはどこもそうします——記録ツールが1つのセッション内の2言語に耐えるかを確認してください。Meetのメモ作成機能は、明示的に耐えられません。
  5. 固有名詞は最初の5分のうちに、会議中にその場で直してください。ベトナム語の声調記号と英語の製品コードネームは、文字起こしが確実に崩れる2つの箇所であり、同時に、誤った1行がその上に積まれる要約に最も大きな損害を与える2つの箇所でもあります。会議中に直せば数秒で済みます。
  6. ベトナム語の原文、英語の翻訳、要約を1つの記録にまとめてください。3つのツールに散らばった3つのファイルではなく、です。翻訳は一方通行です。来年もっと良いモデルでベトナム語から訳し直すことはできますが、英語からベトナム語を復元することは決してできません。

市場分析ではなく手順に沿った製品の使い方が必要であれば、ベトナム語チーム向けに6月に書いたガイドがバイリンガル会議の録音をレビュー可能なAIノートに変える手順を最初から最後まで扱っています。

結論——ベトナム語は理解の隔たりは越えたが、記録の隔たりは越えていない

過去10年の大半、国際会議におけるベトナム語への不満は、技術がこの言語を十分に聞き取れないというものでした。2026年、その不満はおおむね有効期限を過ぎました。Live translateの74言語、Meetの翻訳字幕の69言語、Gemini 3.5 Live Translateを通じてMeetに入ってくる2,000を超える言語ペア、Nova-3のベトナム語、そして2024年からオンデバイスのベトナム語通訳を提供してきたサムスン。これらを合わせれば、理解は片付いています。

動いていないのは記録です。保存できる成果物を生み出すGoogleの2つの機能は、合わせて8言語にしか対応せず、しかもそれは同じ8言語で、ベトナム語はどちらにも入っていません。DeepLはベトナム語へ字幕を出しますが、その文字起こしは管理者トグルの向こう側にいる下請けへ回します。市場は、ベトナム語を聞く価値のある言語だとは判断しましたが、書き留める価値のある言語だとはまだ判断していません。

ですからベンダーに尋ねるべき問いは、ベトナム語に対応していますか、ではありません。いまやほぼ全員が「はい」と答え、そのほぼ全員が聞く側の半分を指しています。尋ねるべき問いはこうです。通話が終わったあともベトナム語に対応している機能はどれで、その機能そのものの対応言語リストを見せてもらえますか。

Telli.shはどこに位置するか：記録の層こそ、私たちが作っている層です。Telli.shは会議を実際に話された言語のまま文字起こしし、ベトナム語を含む44の対象言語へ翻訳し、3つの成果物を同じノートの中に保持します。ベトナム語の原文、それに対応づけられた翻訳、そしてその上で生成された要約です。インターフェース自体もベトナム語を含む15言語で提供されるため、ダナンのチームとシドニーの顧客が同じ会議をそれぞれの言語で読みながら、修正可能な1つの記録を共有できます。

リアルタイム翻訳の会議ノートを始める

出典

← ブログに戻る