摘要與核心重點
摘要
更新日期：2026-08-28 發布日期：2026-08-26
Gemini 3.5 Transcribe 是 Google 發表的新一代語音轉文字模型，公開預覽階段，取代 2025 年推出的 Chirp 3 轉錄模型。它能自動偵測並轉錄 85 種以上語言，處理各地口音與方言，並具備智慧去除贅字（嗯、啊、清喉嚨等）、情境式格式化（自動把口語轉成正確書寫的數字／日期／金額／地址）、以及預錄音檔最多 8 位講者辨識＋時間戳記等能力（3 位以上講者歸屬官方標註為實驗性功能）。延遲比 Chirp 3 改善 70%。目前已上線於 Search Live、Gemini Live、Docs、Keep、Gmail、Gemini App、Gboard，Chrome 任意網頁輸入框的語音輸入即將跟進。這是純語音轉文字模型，不含文字轉語音（TTS）功能——若下文與此摘要衝突，以此摘要為準。
範疇提醒
很容易被名稱誤會：Gemini 3.5 Transcribe 只做「語音 → 文字」，不做「文字 → 語音」。Google 的文字轉語音是另一條獨立產品線 Gemini Native TTS，模型 ID、發布時程、計價方式都與 Transcribe 分開，不是這次發表的內容。
語音轉文字並不是新技術，但過去的模型普遍在背景噪音、專業術語、口語斷句（disfluency）上表現不穩定，輸出常常需要人工二次整理。Gemini 3.5 Transcribe 的定位是把這段「整理」的工作也交給模型：輸出的不是逐字稿的生澀轉寫，而是已經過格式化、可直接使用的文字。
核心特性
多語言辨識
自動偵測並轉錄 85 種以上語言，能處理不同地區的口音與方言差異，不需手動指定語言。
智慧去除贅字
自動過濾「嗯」「啊」「呃」等猶豫用詞與清喉嚨聲，輸出更接近可直接使用的文字。
情境式格式化
把口語表達自動轉成正確書寫格式：數字、日期、貨幣金額、地址都會依語境正確標點與排版。
多語者辨識
API 上限為 8 位講者，並附上各段落的時間戳記，方便會議記錄或訪談整理；官方註明 3 位以上講者的歸屬（attribution）目前仍是實驗性功能，穩定表現落在 1-2 位講者。
自訂詞彙表
可指定最多 1,000 個專有名詞或特殊拼法讓模型優先辨識（custom vocabulary），官方建議控制在 100 個以內效果最好，適合公司內部術語、人名、產品代號等場景。
抗噪與術語處理
相較舊模型，對背景噪音和專業術語的辨識準確度提升，錯誤率降低。
低延遲
時間到最終轉錄結果比 Chirp 3 快 70%，適合即時字幕與即時聽打場景。
API 使用限制
標準請求音檔長度上限 1 小時；但只要開啟講者辨識（diarization）或字詞級時間戳記，長度上限就降為 30 分鐘。另外 API 預設模式是 verbatim（逐字稿），要拿到「智慧去除贅字＋自動格式化」效果需明確指定 mode: "smart"，而 smart 模式無法跟字詞時間戳記或講者辨識同時使用——換句話說，「格式化好讀」跟「精確到每個字的時間軸/講者標記」目前是兩種互斥的用法，不能同時要。查證來源：ai.google.dev/gemini-api/docs/transcribe（查證日期：2026-08-28）。
中文使用者注意：官方語言清單不含台灣繁體中文
Google 官方 API 文件的語言代碼表裡，中文只列出 cmn-Hans-CN（簡體中文，中國）與 yue-Hant-HK（繁體粵語，香港）兩項，沒有台灣國語／台灣繁體中文（zh-TW）的代碼。實際使用者測試也回報，自動偵測預設不會選到台灣慣用的中文腔調與用字。查證來源：ai.google.dev/gemini-api/docs/transcribe（查證日期：2026-08-28）。
目前上線範圍
Gemini 3.5 Transcribe 目前以兩種形式提供：一種是內建在既有 Google 產品裡的消費端功能，另一種是給開發者呼叫的 API。
消費端已上線產品
- Search Live
- Gemini Live
- Google Docs
- Google Keep
- Gmail
- Gemini App
- Gboard（含 Rambler 語音輸入功能）
即將推出
Chrome 瀏覽器內任意網頁輸入框的語音輸入功能，官方表示即將支援，尚未列出確切上線日期。
與前代 Chirp 3 的差異
| 項目 | Chirp 3（2025） | Gemini 3.5 Transcribe（2026-08） |
|---|---|---|
| 延遲 | 基準 | 時間到最終轉錄結果改善 70% |
| 贅字處理 | 逐字轉寫，不主動過濾 | 自動去除「嗯」「啊」等贅字 |
| 格式化 | 需另外後製 | 自動轉成正確書寫格式（數字/日期/金額/地址） |
| 多語者辨識 | 能力有限 | 預錄音檔最多 8 位講者＋時間戳記（3+ 位歸屬為實驗性） |
官方將這次更新描述為「跨能力的重大進展」，而不只是單一指標的微幅提升——延遲、準確度、輸出可用性是同時改善的。
定價
消費端功能
開發者 API（估算值，非官方定價頁逐字引用）
定價數字的查證狀態
上述 API 每分鐘費率是第三方（orcarouter.ai）依假設的 token 換算率（每秒 25 個音訊 token、每分鐘 175 個文字 token）反推的估算值，不是從 Google 官方定價頁逐字擷取。API 端有提供免費額度可先試用，但確切的免費額度上限本文未查到官方明確數字。正式導入計費相關決策前，請直接查閱 ai.google.dev/gemini-api/docs/pricing 官方頁面確認。
適合的應用場景
會議記錄
多語者辨識＋時間戳記，適合把會議錄音直接整理成帶段落結構的逐字稿。
即時字幕
低延遲特性適合直播或視訊通話的即時字幕生成。
語音輸入 / 口述筆記
贅字過濾＋自動格式化，讓口述內容不需要大幅後製就能直接使用。
多語言客服錄音整理
85+ 語言的自動偵測，適合跨國團隊處理多語言的通話或訪談錄音。
怎麼開始用
依身分不同，起手式不一樣：
- 一般使用者：不需要額外設定，直接在 Search Live、Gemini App、Gboard、Docs、Keep、Gmail 裡使用語音輸入功能即可，模型已內建套用。
- 開發者：到 Google AI Studio 取得 API 金鑰，呼叫 model 名稱
gemini-3.5-transcribe（批次／非即時場景）或gemini-3.5-transcribe-live（即時串流場景）。API 預設模式是verbatim（逐字稿），要拿到去贅字＋自動格式化的效果，需明確指定mode: "smart"——但 smart 模式無法跟字詞級時間戳記或講者辨識同時使用。
常見問題（更新日期：2026-08-28）
Gemini 3.5 Transcribe 是免費的嗎？怎麼收費？
分兩層：消費端功能（Search Live、Gemini App、Gboard、Docs、Keep、Gmail）不額外收費，隨產品本身額度。開發者 API 有免費額度，超過後估算約每分鐘音訊 $0.005（即時版約 $0.009／分鐘），此為第三方估算值，非官方逐字定價，請以官方定價頁為準。來源：ai.google.dev/gemini-api/docs/pricing（更新 2026-08-27）。
Gemini 3.5 Transcribe 可以文字轉語音嗎？
不行。這是純語音轉文字模型，不含 TTS 功能。文字轉語音是 Google 另一條獨立產品線 Gemini Native TTS，跟這次發表無關。（更新 2026-08-27）
Gemini 3.5 Transcribe 怎麼開始用？
一般使用者不需設定，直接用 Search Live、Gemini App、Gboard 等產品內建的語音輸入即可。開發者則到 Google AI Studio 取得 API 金鑰，呼叫 gemini-3.5-transcribe（或即時版 gemini-3.5-transcribe-live）；API 預設回傳逐字稿（verbatim），要拿到去贅字/自動格式化效果需另外指定 mode: "smart"。來源：ai.google.dev 官方 API 文件（更新 2026-08-28）。
支援台灣的繁體中文（國語）嗎？
官方語言清單目前沒有台灣繁體中文代碼。Google API 文件的中文只列出 cmn-Hans-CN（簡體中文，中國）與 yue-Hant-HK（繁體粵語，香港），實測也有使用者反映自動偵測預設辨識不出台灣腔調的中文。若需要台灣用語的轉錄，目前這個模型不是可靠選擇。來源：ai.google.dev/gemini-api/docs/transcribe（更新 2026-08-28）。
上傳／輸入的語音會被拿去訓練模型嗎？
本文查證範圍內未找到 Transcribe 專屬的資料使用政策說明。Gemini API 一般原則是依付費／免費方案而異，機敏語音內容建議先查閱 ai.google.dev/gemini-api/terms 確認是否有 Transcribe 專屬條款後再使用。（更新 2026-08-27）
結論
Gemini 3.5 Transcribe 把「轉錄」和「整理」兩件事合併成一步：辨識語音的同時，也順手做掉贅字過濾和格式化，這是它與上一代 Chirp 3 最大的差異，而不只是準確率數字上的進步。對一般使用者而言，這個升級是無感的（Google 自家產品內建套用）；對開發者而言，多了一個可以直接輸出「可用文字」而非「生澀逐字稿」的語音轉文字選項。
關鍵重點總結：
- 純語音轉文字，不含 TTS
- 85+ 語言，含口音／方言辨識
- 自動去贅字＋自動格式化
- 預錄音檔最多 8 位講者辨識（3+ 位歸屬為實驗性）
- 延遲比 Chirp 3 改善 70%