Google推Gemini 3.5 Transcribe AI語音轉文字更精準

Google推出新一代語音轉文字模型Gemini 3.5 Transcribe，主打更精準的語音辨識及文字整理能力，可自動去除「嗯」、「呃」等口頭禪，處理自我修正、專業術語及多種口音，並支援超過85種語言。Google表示，新模型可用於即時語音互動、會議紀錄、通話分析及語音輸入等應用。

Gemini 3.5 Transcribe提升語音辨識

Google表示，Gemini 3.5 Transcribe能直接將原始語音轉換成經過整理及格式化的文字，不僅辨識說話內容，也能理解自然語言中的停頓、自我修正及口語表達。

例如使用者說「我們週二見，不，週三」，模型能辨識說話者的自我修正，將內容整理為修正後的文字。此外，模型也能移除「嗯」、「呃」等填充詞，並依照語意自動整理文字格式。

根據Artificial Analysis測試，Gemini 3.5 Transcribe在即時串流情境下的字詞錯誤率（Word Error Rate，WER）為4.0%，非即時處理則為2.6%。Google表示，相較於前一代Chirp 3，模型的最終文字輸出延遲時間降低約70%。

模型也能辨識使用者提供的自訂詞彙，包括專業術語及特殊拼寫，並可在預錄音訊中辨識最多3名說話者，為不同發言內容標記時間戳。

支援超過85種語言

Gemini 3.5 Transcribe可自動偵測並轉錄超過85種語言，並針對不同地區的口音及方言進行處理。Google表示，在FLEURS多語言基準測試中，新模型的表現也優於Chirp 3。

Google也將Gemini 3.5 Transcribe應用於旗下多項產品。在Android版Gboard中，新的Rambler功能可將語音轉換成格式完整的文字，使用者也能直接透過語音修正錯字或改變文字風格。

在macOS版Gemini中，使用者則能透過語音下達指令，讓Gemini結合螢幕內容及其他Gemini模型，完成檔案摘要、文字改寫及圖片生成等工作。

開放開發者及企業使用

Google表示，Gemini 3.5 Transcribe目前已透過Gemini API在Google AI Studio及Google Antigravity開放公開預覽，企業則可透過Gemini Enterprise Agent Platform公開預覽使用，未來也將整合至Gemini Enterprise for Customer Experience。

開發者可透過Live API使用即時串流版本，支援低於1秒的延遲；預錄音訊則可透過Interactions API進行轉錄，適用於會議、通話紀錄及其他音訊內容。

目前Gemini 3.5 Transcribe已在macOS版Gemini以英文推出，Android版Rambler則先於部分國家及語言提供。Google也表示，Chrome語音輸入功能將於未來推出，讓使用者能直接在網頁欄位以語音輸入文字。