過去的語音轉文字大家都是在追求精準度，每個字都要清楚辨識出來，但在這 AI 時代已經是基本，更重要的反而是能不能將贅詞去除、把內容整理成適合的格式等等，這樣講完之後就不用再花時間修，直接就能使用。為此，Google 稍早發表的新一代語音轉文字模型 Gemini 3.5 Transcribe，就強調有這能力，不僅辨識速度更快且更佳準確外，還支援自動去贅詞、整理格式等功能（智慧轉錄），代表說贅詞會消失，標點、大小寫跟段落也會幫你補好。你不是獲得一份逐字稿，而是一段可以直接貼出去使用的文字。
Google 推出 Gemini 3.5 Transcribe 語音轉文字模型：自動刪掉「呃」跟講錯的話、支援 85 種語言，速度比前代快 70%
Google 稍早在官方部落格宣布推出新一代語音轉文字模型 Gemini 3.5 Transcribe，這次的提升重點大致可以分成四塊：第一是「智慧轉錄」，會自動處理你講到一半的改口、清掉贅詞、補好標點跟排版；第二是準確度與速度，串流字錯率降到 4.0%、非串流 2.6%，出稿速度比 Chirp 3 快 70%；第三是語言與講者辨識，自動偵測超過 85 種語言，預錄音檔還能分辨最多三位講者並附上逐字時間戳記；第四則是自訂字彙，可以先把專有名詞、人名、公司內部術語給它。
另外價格也比 Chirp 3 便宜許多。。下面一項一項來看。
「智慧轉錄」可說是 Gemini 3.5 Transcribe 的最大特色。傳統的語音轉文字就是逐字轉，你講什麼它就輸出什麼，包含你所有的口誤、停頓和廢話。Gemini 3.5 Transcribe 多做了一層理解，像是你說「我們禮拜二見——不對，是禮拜三」，模型會判斷後面那句是修正，最後只留下「禮拜三」。同樣地，「嗯」、「呃」這種填空音也會被清掉，同時語氣自然的停頓也不會被當成句號斷掉。
Google 也引用 Artificial Analysis 的測試結果來說明 Gemini 3.5 Transcribe 的準確度。在串流模式，也就是「邊講邊出字」的情境下，平均字錯率（WER）為 4.0%；非串流模式，也就是把完整錄音檔一次交給模型處理，字錯率則進一步降到 2.6%。
多語言辨識方面，Google 採用 FLEURS 跨語言基準測試，Gemini 3.5 Transcribe 在串流與非串流模式下的字錯率分別為 5.50% 與 5.04%。除了準確度提升，速度也是這次的一大進步，Google 表示，從使用者講完話到取得最終轉錄文字的時間，相較上一代 Chirp 3 縮短約 70%：
Gemini 3.5 Transcribe 支援超過 85 種語言，而且是「自動偵測」，你不用先告訴它這段音檔講的是哪一國話，模型會自己判斷，區域口音跟方言也在支援範圍內。這對常常需要中英夾雜的使用者來說相當方便。此外，預錄音檔還支援講者辨識，可自動標示每段內容是由誰說的，目前最多支援 8 位講者，不過官方註明 3 位以上的講者辨識仍屬實驗性功能。
對於公司的產品代號、同事的名字、醫療或法律的專業術語、動漫或遊戲的專有名詞，你也能事先自訂好字彙，最多能設定 1,000 個詞。不過官方文件有提到，通常控制在 100 個詞以內效果最好，所以不是塞越多越準，建議挑真正幾個經常的關鍵詞就好。
除了單純轉錄，Google 也把 Gemini 3.5 Transcribe 用在 macOS 版 Gemini App 的語音操作中。使用者可以直接用語音下達「生成圖片」、「分析檔案」等指令，Gemini App 會再呼叫其他 Gemini 模型完成任務。不過要注意，這是 Gemini macOS App 整合的功能，Gemini 3.5 Transcribe API 本身目前並不支援 Function Calling。
價格方面，Gemini 3.5 Transcribe 也相當有競爭力。一般版本換算下來，每分鐘音訊的轉錄成本大約只要 0.005 美元；如果是即時邊講邊轉文字的 Transcribe Live，則大約是每分鐘 0.009 美元。
有興趣的人，也不一定要付費或自己串 API，目前在 Google AI Studio 可免費體驗 Gemini 3.5 Transcribe，Gemini API 本身也有提供免費額度：
