新聞

Google推出語音轉文字模型Gemini 3.5 Transcribe，目前在Gemini API與Gemini Enterprise Agent Platform以公開預覽形式提供，可把錄音或即時語音轉成文字，並自動移除「嗯」、「啊」等口語贅詞、處理說話者中途更正，整理標點符號、數字和段落格式。模型也支援自動語言辨識、自訂專有詞彙，以及錄音檔的說話者區分和字詞級時間戳記，可用於即時字幕、語音代理、會議紀錄及通話分析。

Gemini 3.5 Transcribe分成即時與錄音檔兩種版本，即時版本gemini-3.5-transcribe-live透過Live API處理持續傳入的語音，Google表示延遲低於1秒，而錄音檔版本gemini-3.5-transcribe則可處理會議、訪談與通話錄音，並提供較完整的說話者辨識與時間標記功能。

其中的智慧轉錄功能會先理解說話內容，再整理成較容易閱讀的文字，例如說話者說「星期二，不對，星期三」，模型可依後面的更正留下星期三，也能刪除重複語句及口吃內容，並自動整理日期、金額與清單格式。如果需要完整保留原本說法，則可改用逐字轉錄模式，智慧轉錄無法與區分說話者功能或字詞級時間戳記同時使用。

錄音檔版本最多可區分8名說話者，將不同人的發言分開標示，不過Google表示，3名以上說話者的發言歸屬判定仍屬實驗功能。模型可自動辨識85種以上語言，並接受最多1,000個自訂詞彙，協助辨識產品名稱、縮寫或專業術語，Google表示，通常在100個以內效果較佳。

Google引用Artificial Analysis測試指出，Gemini 3.5 Transcribe的平均字詞錯誤率，在即時轉錄為4.0%，錄音檔轉錄為2.6%，數值越低代表辨識錯誤越少。Google也表示，相較前一代Chirp 3，產生最終轉錄結果所需時間縮短70%。

錄音檔版本單次最多可處理1小時音訊，啟用說話者區分或字詞級時間戳記後降為30分鐘，而即時版本每次最長10分鐘。目前Google公布的語言清單列有簡體中文（cmn-Hans-CN）與繁體粵語（yue-Hant-HK），尚未列出臺灣華語對應項目。