Gemini 3.5 Transcribe 上線：支援 85＋語言、分辨最多三位讀者、自動刪掉「嗯、啊」贅字

Google 為 Gemini Audio 加入新轉錄模型，主打自動辨識 85 種以上語言、分辨最多三位語者，還能自動清掉口頭禪與贅字。但拉到同業一起比，它既不是最準、也不是最便宜的那一個。
（前情提要：注意》你拍的照片、說過的話，Google 現在要存下來訓練 AI 了（如何關閉教學））
（背景補充：德國法院裁定： Google AI 摘要不實內容須負責，免責聲明不管用）

這次 Google 端出的新模型叫 Gemini 3.5 Transcribe，除了會自動砍掉「嗯、啊」這類贅字，它能自動辨識 85 種以上的語言，也能抓出對話裡的專業術語，不用用戶事先設定語言別。

用戶還可以先給模型一份自訂詞彙表，把公司名稱、產品名稱、特殊拼法先教給它，模型轉錄時就會直接套用，不用事後手動一一修改，對常開會議、常錄訪談的用戶算是省了一道工。

分辨最多三位讀者

對著預先錄好的音檔，它最多能分辨三位語者是誰在講話，並且附上字級時間戳，方便剪輯或做逐字稿檢索。

至於轉錄品質怎麼衡量？業界慣用「字錯率」（word error rate），也就是機器聽打稿跟真人聽打稿之間差了多少字，數字越低代表機器聽得越準。Google 官方公告給出的數字是：串流模式（邊講邊即時轉出文字）平均字錯率 4.0%，非串流模式（整段講完再一次輸出）則是 2.6%；在 FLEURS 這個多語言基準測試上，串流 5.50%、非串流 5.04%。

跟前一代 Chirp 3 相比，官方說最終轉錄的延遲改善了 70%，也就是講完話到看見完整逐字稿的等待時間縮短不少。

即時串流走的是 Live API（gemini-3.5-transcribe-live），預錄音檔則走 Interactions API（gemini-3.5-transcribe），兩條產品線分開服務不同情境。

這次更新從今天起在 macOS 版 Gemini app 以英文上線，Android 的 Rambler 聽寫功能則在部分國家與語言開放；開發者可以透過 AI Studio 與 Antigravity，在 Gemini API 公開預覽（先開放給開發者測試）階段搶先使用，Chrome 瀏覽器的支援則還在路上。

獨立榜單只排第四

不過 Google 說的「重大進展」是跟自家上一代模型比。放到整個語音轉錄市場攤開來看，情況完全不同。

第三方跑分平台 Artificial Analysis 的 AA-WER 榜單，把各家轉錄模型放在同一把尺上量字錯率與價格，結果 Gemini 3.5 Transcribe 的字錯率是 2.6%，價格為每 1,000 分鐘 5 美元。排在它前面的，有 ElevenLabs 的 Scribe v2，字錯率 2.2%，價格卻只要每 1,000 分鐘 3.67 美元，又準又便宜；微軟 Azure 的 MAI-Transcribe-1.5 是 2.4%；Smallest.ai 的 Pulse Pro 同樣是 2.4%。

換句話說，光是字錯率這項指標，Google 前面就還站著三家對手，沒有一家是省油的燈。

再往下看，AssemblyAI 的 Universal-3 Pro 字錯率 3.1%、每 1,000 分鐘 3.50 美元；OpenAI 的 GPT-4o Transcribe 是 4.0%、6 美元；Deepgram 的 Nova-3 則是 5.2%、4.30 美元。攤開榜單，語音轉錄早就是一片紅海，ElevenLabs、微軟、AssemblyAI、Deepgram、OpenAI 全部擠在同一張表上比價比準度。

Google 這次是後進者在追趕排名，不是領跑者在拉開差距。唯一站在它這邊的變數是通路：Scribe v2 得靠開發者主動去接 API，Gemini 3.5 Transcribe 卻能直接塞進 Gemini app、Android 的聽寫功能與之後的 Chrome，一次觸及數以億計的一般用戶。