Google 推出 Gemini 3.5 Transcribe 預覽版，語音轉文字支援 85 種以上語言

禮拜三下午三點，內湖一間新創的工程師剛開完跨國會議，回到座位第一件事是把錄音檔丟進轉錄服務。中英夾雜的兩小時會議，出來的逐字稿把「這個 sprint 的 blocker」變成一串莫名其妙的中文詞，講者也全部混在一起分不出誰是誰。他嘆了口氣，開始手動修。

這個場景大概是所有台灣科技團隊的共同記憶。而 Google 在八月釋出的新模型，剛好衝著這幾個痛點來。

事件背景

Google 在 2026 年 8 月於 Gemini API 推出專門的語音轉文字模型 Gemini 3.5 Transcribe，目前為公開預覽（public preview）狀態。

值得注意的是它的產品設計：這不是把通用的 Gemini 模型加個語音輸入，而是拆成兩個專門的端點。gemini-3.5-transcribe 負責處理預錄好的音檔，走 Interactions API；gemini-3.5-transcribe-live 負責雙向即時串流，走 Live API。前者適合會議錄音、Podcast、影片字幕這類批次工作，後者適合即時字幕、語音助理、客服系統。

依官方文件，模型支援 85 種以上語言，並附有 BCP-47 語言代碼對照。

本次重點

• 語者分離（speaker diarization）：最多支援 8 位講者，但官方註明 3 位以上的歸屬判定仍屬實驗性質。
• 字詞級時間戳：僅檔案處理端點支援，且官方明說開啟後會使準確度下降。做字幕對時的人要注意這個取捨。
• 語言自動偵測與語碼轉換：以語句為單位偵測語言，支援同一段音訊中的多語言切換——這對中英夾雜的台灣會議情境很關鍵。
• 自訂詞彙偏誤（custom vocabulary biasing）：最多可提供 1,000 個詞，但官方建議約 100 個效果最好。這是餵公司內部術語、產品名、人名的地方。
• 智慧轉錄：可移除口頭禪與填充詞（呃、然後、那個之類）。
• 音訊長度限制：檔案處理單次最長 1 小時；若同時開啟語者分離或時間戳，上限降為 30 分鐘；即時串流每個工作階段 10 分鐘。

至於準確度與價格，官方文件頁面本身並未列出詞錯誤率（WER）數字與定價細節。第三方報導（MarkTechPost）引述 Artificial Analysis 的量測，指出非串流平均詞錯誤率約 2.6%、串流約 4.0%；多家整理文章給出的價格估算約為批次每分鐘 0.005 美元、即時每分鐘 0.009 美元。這些數字皆非 Google 官方公布，實際費率請以 Gemini API 定價頁為準。

市場影響分析

對台灣使用者： 語碼轉換的支援是這次最該關注的功能。台灣職場的會議語言現實就是中英夾雜——「這個 feature 的 timeline 要 push 一下」這種句子，過去的轉錄模型幾乎必錯。如果以語句為單位的語言偵測真的能穩定處理這種混用，那對會議記錄、訪談逐字稿的實用度會有明顯提升。但要提醒：官方沒有針對繁體中文與台灣口音公布個別的準確度數字，這件事只能自己實測。

對企業應用： 自訂詞彙偏誤是企業導入時最實用的功能。公司內部的產品代號、專案名稱、同事的名字，這些通用模型一定會轉錯，但可以透過詞彙清單餵進去。官方建議約 100 個詞效果最好，這個數字很務實——不要一次塞 1,000 個進去，先挑最常出現又最常錯的。

不過 30 分鐘與 1 小時的音訊上限，對法說會、教育訓練這類長時間錄音來說需要額外的切檔處理。導入前要把這段工程成本算進去。

對開發者： 兩個端點分開的設計，代表你要依場景選 API，而不是一套打天下。做即時字幕的走 Live API，但每個工作階段 10 分鐘的限制意味著長時間直播需要處理續接。做批次轉錄的走 Interactions API，要注意開啟時間戳會犧牲準確度這件事——如果你的應用不需要精確對時，就別開。

市場上的競爭也要納入考量。ElevenLabs 在語音領域有既有的生態、Otter.ai 在會議場景有成熟的產品體驗、Descript 則把轉錄整合進剪輯流程。純 API 層的選擇變多，對開發者是好事。

未來發展趨勢

語音轉文字這個品類正在分化成兩層：一層是模型 API（拚準確度、語言數、單價），另一層是應用產品（拚工作流整合與體驗）。Google 這次很明確站在第一層，把模型能力賣給開發者，不做終端應用。

我認為接下來一年的競爭焦點會從「準確度」轉向「結構化輸出」。單純把聲音變成文字已經接近商品化，真正有價值的是誰講的、什麼時候講的、哪一句是決議、哪一句是待辦——語者分離與時間戳都是往這個方向走的基礎建設。

另一個值得追蹤的是預覽版何時轉正式版。公開預覽期間的模型行為、定價與服務等級都可能調整，把它放進生產環境前要評估這個風險。

TheAI學院 總結與評語

老實說，語音轉文字這幾年的進步已經到了「一般用途夠好了」的階段，再往上拚幾個百分點的準確度，感受不會太強烈。真正還沒解決的是那些邊緣情況：多語混用、多人搶話、專業術語、口音。這次 Gemini 3.5 Transcribe 主打的功能，剛好都在這幾個點上。

給台灣團隊的具體建議：找一段你們最頭痛的真實會議錄音——最好是中英夾雜、三個人以上、講得很快的那種——同時丟給現在在用的服務與這個新模型，比對結果。不要看官方 demo，不要看第三方評測的平均數字，用你自己的資料測。另外記得把 100 個公司常用術語整理成詞彙清單一起餵進去，那才是真實的使用條件。

評語：語音轉文字已經不缺「堪用」的選項，缺的是能處理台灣中英夾雜這種混亂現場的模型。Gemini 3.5 Transcribe 的規格看起來對症下藥，但它在繁體中文與台灣口音上到底行不行，官方沒給數字，只能自己測。花半天做這個實測，比讀十篇評測有用。

資料來源

• Google AI for Developers：Gemini 3.5 Transcribe 官方文件
• MarkTechPost：Google AI Releases Gemini 3.5 Transcribe（2026 年 8 月 27 日）

本文依公開資訊整理，功能規格與定價以官方為準。文中提及的詞錯誤率與價格估算引自第三方來源，非 Google 官方公布數字。