# 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

> Gemini 3.5 Transcribe 是 Google 新一代語音轉文字模型，會自動去除贅字、分辨講者、支援 85+ 語言與字級時間戳。完整規格、版本差異、vs Whisper 比較與上手指南。

- 網址：https://yourjobpocket.com/learn/ai-gemini-3-5-transcribe
- 發布：2026-08-28
- 主題：AI 新工具
- 作者：@your.engineer.ben（https://www.instagram.com/your.engineer.ben/）
- 參考來源：https://deepmind.google/models/gemini-audio/ai-transcription/
- 出處：Lesson by Job Pocket（https://yourjobpocket.com/learn），免費、不用登入

> 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 Audio AI transcription](https://lh3.googleusercontent.com/A9SgF7qKSmjJvPPG0KgaZsksIm26Q05WYVO-9JESFrWDkzJ0WQoLXhfw9zfDaHHg1yzxg0WdW-OtdzbDxxKkmphbqSS4c0uRtMrlQ-NbiZ-pWkVMIw=w1200-h630-n-nu-rw)

## 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。

![Gemini Audio — real-time audio models built on Gemini](https://lh3.googleusercontent.com/Mfknld7_MUdGExODWhx-D8qiQAMkPN2WelfaVStivJss7j3ygieYIZFkNPImC_yC1JKXnNcQNd9fElbyal5wLae8zgzMQskke-FwLS9zTpDq62w-NA=w1200-h630-n-nu-rw)

## 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。*
