Google推出Gemini 3.5 Transcribe,即時過濾語助詞

Google DeepMind於2026年8月26日發表Gemini 3.5 Transcribe,官方部落格稱其為「迄今最精準的語音轉文字模型」,能將原始音訊直接轉換為準確、排版完整的文字。該系統的目標是實現Google所稱的「智慧語音互動」,超越在背景噪音、專業術語與語助詞前表現不佳的傳統語音辨識技術。

根據Google引用獨立評測機構Artificial Analysis的數據,Gemini 3.5 Transcribe在串流情境下的平均字詞錯誤率(WER)為4.0%,預錄音訊情境下為2.6%。在多語言基準測試FLEURS中,該模型串流模式的WER為5.50%,非串流模式為5.04%,Google表示相較前一代模型Chirp 3,取得最終逐字稿所需時間縮短了70%。

與傳統語音辨識的差異

該模型的核心賣點是「智慧轉錄」:能順暢處理自我更正——Google舉的例子是說話者說「我們約週二——不,週三見」——並移除「呃」「嗯」之類的語助詞,同時自動為文字排版。開發者與使用者也能提供自訂詞彙表,讓模型正確辨識專業術語或特殊拼寫,而非用猜測的方式處理。

根據DeepMind的公告,Gemini 3.5 Transcribe能自動偵測並轉錄超過85種語言,無須使用者事先指定語言,並能處理地區口音與方言差異。在預錄音訊中,還能為最多三位不同說話者分配發言內容並標註逐字時間戳記;Google說明,支援三人以上說話者的功能仍屬實驗階段。

除轉錄外,該模型還能透過「函式呼叫」將圖片生成、檔案分析等任務委派給其他Gemini模型,此功能目前已在macOS版Gemini應用程式上線。德國科技媒體The Decoder另外報導指出,該模型也能以同樣方式委派網路搜尋,而這項用法並未出現在Google官方部落格文章中。

兩套介面,應用場景持續擴大

• 即時串流轉錄,透過Live API(模型gemini-3.5-transcribe-live)提供,延遲低於一秒,適用於語音代理與即時字幕
• 預錄音訊處理,透過Interactions API(模型gemini-3.5-transcribe)提供,適用於會議記錄、通話紀錄與通話後分析
• Rambler,Android版Gboard新增的語音輸入功能,已在部分國家與語言上線
• macOS版Gemini應用程式,目前僅支援英語,結合轉錄、語音指令與螢幕內容
• Google Antigravity,結合螢幕內容與對話紀錄,精準轉錄檔案名稱與技術術語
• Google AI Studio的Build模式,可用語音描述並打造應用程式

Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel與Vision Agents等第三方平台已採用Live API打造語音驅動的介面,Google也引用了Vivo、Intellitek Health與Lingopal等企業的正面回饋。Chrome瀏覽器的支援被稱為「即將推出」,屆時使用者將能在任何網頁欄位以語音輸入文字。

在更大等待中的一次低調發表

The Verge指出,Gemini 3.5 Transcribe發表之際,Google承諾於6月推出的Gemini 3.5 Pro模型仍未問世。該媒體先前也曾報導,另外兩款音訊模型——Gemini 3.5 Live與3.5 Live Experimental——將與Transcribe同期發表,但在Google再次聯繫後更正了說法:這兩款模型實際上並未同步推出,Google也未公布新的發表時間。發表節奏本身仍屬分階段進行:轉錄模型目前透過Google AI Studio與Antigravity向開發者公開預覽,透過Gemini Enterprise Agent Platform向企業公開預覽,面向一般消費者的推出則僅部分完成。

對處理大量多語言音訊的台灣企業而言——無論是客服中心、商務會議、Podcast或字幕製作——一個能自動去除語助詞並區分發言者的轉錄功能,有望減少原始逐字稿通常需要的人工校對時間。預錄音訊的錯誤率(2.6%)低於即時串流(4.0%),顯示目前如客服中心資料分析這類非即時情境是相對穩健的選擇,而即時字幕與語音代理情境仍會帶來較多雜訊。企業在評估這項工具時,也應留意三人以上說話者的區分功能,以及macOS上完整的繁體中文支援目前都尚未就緒,這代表涉及多人會議的正式環境應用仍須等待。