Gemini 3.5 Transcribe 公開預覽：串流字錯率 4.0%，Google 自稱最精準語音轉文字模型

Google DeepMind 於 2026 年 8 月 26 日推出 Gemini 3.5 Transcribe 的公開預覽，官方將它定位為「最精準的語音轉文字模型」。這不是預告，而是已經出貨、開發者當天就能呼叫的版本。

兩組數字：串流 4.0%、非串流 2.6%

由第三方機構 Artificial Analysis 量測的字錯率（WER）分兩種模式：即時串流為 4.0%，允許先收完整段音訊再處理的非串流模式為 2.6%。在跨語言公開基準 FLEURS 上，兩種模式分別為 5.50% 與 5.04%。FLEURS 為跨語言公開語料，涵蓋語種更廣、口音更雜，數字自然高於前一組平均值；兩者屬不同評測來源，不宜當成「內部對公開」的對照。值得注意的是，兩種模式的差距在 FLEURS 上明顯縮小。

功能面則一次補齊了過去得靠後製才有的東西：

• 支援 85 種以上語言，且能自動偵測語種
• 針對預錄音檔可標時間戳並辨識最多 3 位語者（speaker diarization），3 人以上為實驗性支援
• 可掛自訂詞彙，讓專有名詞、品牌名、料號不再被拼錯
• 自動清理口吃與「嗯、那個」這類贅詞
• 自動格式化輸出，直接產生可讀段落而非一長串文字
• 可與其他 Gemini 模型做 function calling，轉錄完直接接後續動作

真正的變化是速度，不只是準度

相較前代 Chirp 3（2025 年），Gemini 3.5 Transcribe 產出最終逐字稿的時間（time to final transcription）改善約 70%。準度每年都在進步，但這一段時間縮掉七成，才是把「語音」從事後檔案變成即時介面的關鍵：邊開會邊出紀錄、客服通話進行中就跳出摘要，這類情境的門檻取決於多快拿得到可用文字，而不是小數點後的字錯率。

上線範圍：企業端與消費端同步鋪開

開發端可在 Gemini API（Google AI Studio）、Google Antigravity 與 Gemini Enterprise Agent Platform 取用，Gemini Enterprise for Customer Experience 標示為即將跟進——把語音轉錄直接放進客服平台的意圖相當明顯。消費端則已進入 macOS 版 Gemini app 與 Android Gboard 的 Rambler 功能，Chrome 標示即將支援。要留意的是，macOS 版目前為英文介面，Rambler 也僅先開放部分國家與語言。官方尚未公布定價。

對管理者的意義

會議紀錄、客服通話、現場訪談這些語音資料的價值，過去卡在整理成本上——請人聽打或請人潤稿，貴到只能挑重要的做。這次真正被壓縮的不是「辨識」，而是「逐字稿到可用紀錄」那一段人力：贅詞自動清、段落自動分，產出已接近可歸檔的版本。若要試，先挑一場本來就有人工紀錄的會議做對照，比對 AI 版漏了什麼，再決定流程要怎麼改。同時有兩個限制要先看清楚：公開預覽階段沒有定價，成本無法納入預算；語者辨識穩定支援到 3 人、再多屬實驗性，且該能力是針對預錄音檔而非即時串流，正式使用前需自行驗證。企業導入前也務必確認錄音資料的落地與保存規範。