Gemini 3.5 Transcribe 完整解析：Google 新一代語音轉文字，自動刪贅字、分講者、85 種語言

更新日期：2026-08-28

如果你每天都在做會議記錄、剪 Podcast、上字幕，或是任何需要「把聲音變成文字」的工作，這篇你會想看完——因為 Google DeepMind 在 2026 年 8 月 26 日推出了新一代語音轉文字模型 Gemini 3.5 Transcribe，而它最大的突破，是不再把語音當成單純的「訊號處理」，而是用推理去理解你到底在說什麼。

換句話說，它不只是把聲音一個字一個字打出來，而是會自動幫你刪掉「嗯…」「那個…」「啊…」這些贅字、修正你講到一半改口的句子，直接輸出一份乾淨、可讀的逐字稿。這篇文章會完整拆解它的規格、能力、兩個版本差異、開放平台，以及跟老牌開源方案 Whisper 的比較，最後給你一份實務上手指南與誠實的注意事項。

Gemini 3.5 Transcribe 是什麼？

Gemini 3.5 Transcribe 是 Google DeepMind「Gemini Audio」系列底下、專門做語音轉文字（Speech-to-Text，STT）的最新模型。它建立在 Gemini 的音訊理解能力之上，主打「精準」與「智慧」——不只是聽得準，還要聽得懂。

傳統的語音辨識模型，本質上是把一段聲波對應到最可能的文字序列；遇到你口誤、重複、夾雜語助詞，它就照實打出來，你事後還得自己整理。Gemini 3.5 Transcribe 的做法不一樣：它會像一個懂上下文的助理一樣，推理出你真正想表達的內容——自我更正的地方幫你修好、填充詞（filler words）幫你拿掉、格式幫你排好，甚至能在辨識的同時，透過函式呼叫（function calling）把後續任務（例如產生圖片、分析檔案）交給其他 Gemini 模型接手。

這也是它跟 Google 前一代語音模型 Chirp 3 最大的差別：從「轉錄工具」升級成「能理解語意的轉錄代理」。

核心功能一次看

• 智慧轉錄（Smart transcription）：自動去除贅字與口誤、修正自我更正的句子，輸出乾淨可讀的文字。
• 85+ 種語言自動偵測：以句子為單位偵測語言，支援多語言之間的「語碼轉換」（一句話中英夾雜也能處理）。
• 講者分離（Speaker diarization）：能區分並標註不同的講者是誰，適合會議、訪談、多人對話。
• 字級時間戳（Word-level timestamps）：每個字都標上時間，方便做字幕與精準定位。
• 自訂詞彙（Custom vocabulary / speech biasing）：可以事先給它品牌名、專業術語、人名，避免打錯。
• 數字與代碼精準辨識：電話號碼、郵遞區號、帳號 ID 這類英數混合內容也抓得準。

兩個版本：即時串流 vs 錄音檔

Gemini 3.5 Transcribe 提供兩個介面，對應兩種常見情境：

版本	模型名稱	適用情境	特性
即時串流	gemini-3.5-transcribe-live	直播、即時字幕、語音助理	低延遲（次秒級），透過 Live API 串流回傳
錄音檔處理	gemini-3.5-transcribe	會議錄音、Podcast、訪談逐字稿	支援講者標註與時間戳，處理已錄好的音檔

簡單記：要當下就要字，用 live 版；要把一段錄音變成完整逐字稿，用一般版。

效能：準確度與延遲

根據 Google DeepMind 官方公布的數字，Gemini 3.5 Transcribe 在 FLEURS 多語言基準（主要語系）上的字錯率（WER，Word Error Rate，越低越好）表現如下：

指標	數值（FLEURS 主要語系）
即時串流 WER	約 5.50%
非串流（錄音）WER	約 5.04%

延遲方面，根據多家外媒報導，官方稱其延遲較前一代 Chirp 3 降低約 70%，這對即時字幕、語音互動這類需要「話音剛落、字就出來」的應用非常關鍵。

需要提醒的是：WER 會因語言、口音、錄音品質、專有名詞密度而有明顯差異，上面的數字是特定基準測試下的結果，不代表你在任何場景都能拿到同樣的準確度——這也是為什麼「自訂詞彙」功能很重要。

Gemini 3.5 Transcribe vs OpenAI Whisper：怎麼選？

在開源世界，OpenAI 的 Whisper（large-v3）一直是語音轉文字的參考標竿。兩者定位其實不同，這張表幫你快速判斷：

面向	Gemini 3.5 Transcribe	OpenAI Whisper large-v3
授權	閉源、雲端 API	開源、可本地部署（MIT 授權）
語言數	85+ 種自動偵測	99 種
即時串流	原生支援（live 版）	原生不支援，需外掛工具
講者分離	原生內建	不內建，需搭 WhisperX / pyannote 等
智慧修正贅字	內建（用推理去除口誤、填充詞）	無，照實轉錄
資料落地/隱私	走 Google 雲端	可完全本地執行，資料不出機
費用	依 Gemini API 計費	模型免費，自負算力成本

怎麼選？ 如果你要的是開箱即用、原生就有講者分離與即時串流、還能自動整理口語，Gemini 3.5 Transcribe 省下大量後處理工。如果你在意資料隱私、要完全本地執行、或想零 API 費用自己養一套，Whisper（搭配 WhisperX 補上時間戳與講者分離）仍是很強的開源選擇。

哪裡可以用？

Gemini 3.5 Transcribe 已陸續在多個 Google 平台上線，包含：

• Google AI Studio：開發者可直接試用與串接。
• Gemini API：以 gemini-3.5-transcribe / gemini-3.5-transcribe-live 兩個模型提供。
• Gemini App（含 macOS 版）。
• Gboard：Android 輸入法的語音輸入（Rambler）已開始採用它。
• Google Workspace / Enterprise Agent Platform 等企業產品線。

換句話說，你不一定要寫程式才能享受到它——用 Gboard 打字、用 Gemini App 的人，體感上就會發現語音輸入變聰明了。

實務上手：三個常見用法

1. 會議 / 訪談逐字稿：用錄音檔版本，開啟講者分離，直接得到「誰說了什麼」的結構化逐字稿，省去手動標人。
2. 影片字幕：靠字級時間戳，自動生成時間軸精準的字幕，再稍微校對即可。
3. 即時字幕 / 語音助理：用 live 版接 Live API，做直播即時字幕或語音互動介面，延遲低到體感順暢。

搭配「自訂詞彙」，先把你這一集會出現的人名、產品名、專業術語餵進去，準確度會再上一個台階。

誠實的注意事項

• 這是雲端服務：音訊會送到 Google 處理，對隱私、合規要求高的內容（醫療、法律、機敏會議）要先評估資料政策，必要時考慮可本地執行的 Whisper。
• 準確度非絕對：重口音、吵雜環境、大量專有名詞仍可能出錯，正式用途務必人工校對。
• 費用會累積：API 依用量計費，長時間、大量音檔的成本要先估算。
• 定價未逐項公開：本文撰寫時，官方未單獨公布每分鐘/每 token 的細部價格，實際費用請以 Gemini API 官方定價頁為準——不要照抄任何來路不明的數字。

小結

Gemini 3.5 Transcribe 把語音轉文字從「聽寫」推進到「聽懂」：85+ 語言自動偵測、原生講者分離、字級時間戳、自訂詞彙，再加上會自動整理口語的智慧修正，讓它在會議記錄、字幕、Podcast、即時互動這些場景幾乎是即插即用。如果你重視隱私與本地部署，開源的 Whisper 仍是好選擇；但如果你要的是省事、準確、又能即時，這顆新模型很值得排進你的工具箱。

---

資料來源：Google DeepMind（Gemini Audio / AI transcription 官方頁面）、Google AI for Developers（Gemini API 文件）、9to5Google、The Decoder 等公開報導。所有數字以官方頁面為準。