錄了一小時的訪談，丟進轉文字工具，出來的稿子錯字一堆、還把「嗯…那個…」全部照抄，光是清理就花掉兩個小時——這件事在 8 月 26 日之後有機會不一樣。Google 官方發布了新的語音轉文字模型 Gemini 3.5 Transcribe，錯字率、支援語言、出稿速度都給了具體數字，而且一般人現在就有地方可以用。這篇把官方講的拆成人話，順便講我自己怎麼用。
這是誰發的？Google 官方 8 月 26 日的公告
消息來自 Google 官方部落格 The Keyword，2026 年 8 月 26 日發布，署名的是 Gemini Audio 團隊的工程資深總監 Diego Melendo Casado 與幕僚長 Luke Leonhard。官方開頭這句話講得很直白：
「跟一般語音辨識模型不一樣，那些模型碰到背景噪音、專業術語、講話結巴就卡住；Gemini 3.5 Transcribe 是把原始音訊直接轉成準確、乾淨、排好版的文字。」
（原文：Unlike conventional speech recognition models that struggle with background noise, complex jargon, and disfluency cleanup, Gemini 3.5 Transcribe converts raw audio directly into accurate, polished, formatted text.）
句子裡藏了一個重點：它做的不只是「聽寫」，而是「聽寫完再幫你整理一次」。這是它跟你手機內建那種語音轉文字最大的差別。
為什麼以前的錄音轉文字這麼難用？
先講清楚問題出在哪，後面的數字才有感覺。傳統語音辨識是「聽到什麼字就打什麼字」，所以你會拿到三種很煩的東西：
- 逐字照抄的贅字：「嗯」「啊」「那個」全部進稿，一句話裡有三個「然後」。
- 沒有斷句的一長條：整段沒有標點，回頭讀等於重看一次。
- 專有名詞全錯：人名、產品型號、公司內部術語，聽起來像什麼就打成什麼。
所以「AI 幫你轉一份逐字稿」聽起來很方便，實際做完你還要再花一輪時間校稿——省下來的時間又還回去了。Google 這次改的就是這一段。
官方公布的 4 個數字，一個一個看
1. 錯字率 2.6%：一百個字大概錯 2 到 3 個
官方引用第三方評測機構 Artificial Analysis 的測試結果：處理「已經錄好的音檔」平均字錯率（WER，Word Error Rate）是 2.6%；「邊講邊出字」的即時串流情境是 4.0%。
WER 白話講就是「一百個字裡面錯幾個」。2.6% 代表一百字大約錯 2 到 3 個字，通常是同音字或人名。這個水準已經到「校稿是掃過去改幾個字」，而不是「重打一遍比較快」。
2. 超過 85 種語言，會自己判斷你在講哪一種
官方寫的是自動偵測並轉寫 85 種以上語言，各地口音和方言也吃得下。重點在「自動偵測」——你不用先去設定語言，中間換語言講它也跟得上。開會時中英夾雜的人應該最有感。
3. 出稿速度比前一代快 70%
跟 Google 前一代的轉錄模型 Chirp 3 相比，同樣由 Artificial Analysis 測，「拿到最終稿的時間」快了 70%。這個數字影響的不只是等待，還有那種「你講完它才慢半拍跳字」的卡頓感。
4. 分得出最多三個人在講話
預錄的音檔可以做「誰講的」標記，官方說準確支援到 三位講者，並附上逐字的時間戳記；三人以上目前還算實驗性質。訪談、雙人 podcast 剛好落在這個範圍，四五個人的會議就要有心理準備。
跟 ElevenLabs、OpenAI 比呢？官方自己放了這張圖
Google 這次直接放了 FLEURS 這個多語言測試集的對照圖，把自家和幾個常被拿來比較的服務放在同一張圖上。串流模式下，Gemini 3.5 Transcribe Live 是 5.50% WER，前一代 Chirp 3 是 7.32%，其他三家分別落在 8.97% 到 15.77% 之間（這張圖是越低越好）。
看這種圖有個前提要先講：這是 Google 自己選的測試條件、自己做的比較，看趨勢可以，別當成絕對排名。不過圖下方那排小字有個對台灣人有用的資訊——測試涵蓋的語言代碼裡有 cmn-Hans-CN，也就是中文有被納進去測。非串流模式官方給的 FLEURS 成績是 5.04%。
| 情境 | Gemini 3.5 Transcribe | 說明 |
|---|---|---|
| 錄好的音檔 | WER 2.6% | 訪談、會議錄音、課程側錄 |
| 邊講邊出字 | WER 4.0% | 語音輸入、即時字幕 |
| FLEURS 多語言（串流） | 5.50%（前代 7.32%） | 含中文在內的多語言測試 |
| FLEURS 多語言（非串流） | 5.04% | 同上，但處理錄好的檔案 |
它「聰明」在哪？三件以前要你自己做的事
會處理你的改口。官方舉的例子很生活：你說「我們禮拜二見——不對，禮拜三」，它知道要留的是禮拜三，不是把兩個都打出來讓你自己猜。
會刪贅字。「嗯」「啊」這種填充詞直接濾掉。做過逐字稿的人都知道，光這一項就省掉一大半的清理工。
會自動排版，也認得你給的詞。斷句、標點它自己處理；你可以先餵它一份自訂詞彙表，公司內部的產品名、特殊拼法就不會每次都聽錯。這一項對做教育訓練、做內容的人特別有用，因為我們的稿子裡專有名詞密度高得嚇人。
錄音轉文字 app 現在哪裡用得到？三個入口
官方在文末的「Start using 3.5 Transcribe today」把對象分成開發者、企業、一般人三種。一般人這欄寫得很清楚，就三個地方：
Android 手機：Gboard 的 Rambler
Google 鍵盤 Gboard 上有個新功能叫 Rambler，用法就是照平常那樣按語音輸入，然後把想講的一口氣講出來——它會把你散裝的口語整理成排好版的文字，順手濾掉贅字。你還可以用講的下指令改稿：改錯字、換個寫法、調整語氣。官方註明目前是「部分國家與語言」，台灣使用者要自己開來看有沒有到。
Mac 電腦：macOS 版的 Gemini App
這條線我在〈Mac 上長按一個鍵，用講的就能打字、改文、生圖〉寫過，當時的重點是「長按一顆鍵就能對電腦講話」。這次官方補的是背後換了模型之後多出來的能力：它不只把話變成文字，還能搭配你螢幕上的內容執行工作——用講的叫它摘要本機檔案、把一段文字改寫貼到另一個 app、直接在游標位置生圖。官方註明目前限英文。
Chrome 瀏覽器：官方說即將推出
之後在網頁的任何輸入框都可以用講的打字，回訊息、寫貼文、對 Chrome 裡的 Gemini 下指令都算。這一項還沒上線，官方寫的是 coming soon。
另外兩條是給比較進階的人：想自己串應用的，Gemini API 在 Google AI Studio 開了公開預覽，即時串流用 gemini-3.5-transcribe-live、處理錄好的音檔用 gemini-3.5-transcribe；企業端則走 Gemini Enterprise Agent Platform。
我自己怎麼用：先把「輸入」加速，AI 的產出才會準
我做教育訓練，工作內容有一大塊是把很硬的技術規格，翻成第一線同仁聽得懂、用得上的話。這種工作最花時間的從來不是「寫」，是「把腦袋裡那團東西倒出來」。
之前聽到一份 2016 年史丹佛大學的研究，結論是語音輸入的效率大約是打字的三倍。當時我記在日記裡，因為它解釋了我一直有的一個感覺：打字會讓人自動精簡。你一邊打一邊想「這句太長了」，最後留下的是被你壓縮過的版本。
這件事在 AI 時代反而變成問題。以前做筆記追求言簡意賅，是為了自己回頭看得快；但你要 AI 幫你做事，給它的脈絡越完整、細節越多，它給你的東西才會越貼近你要的樣子。我現在每天的日記都是用語音輸入工具講完的，講的時候不修剪，讓它保留我當下完整的想法，之後 AI 進去撈這些日記，幫我整理成部落格、社群貼文或報告，素材才夠厚。
所以我看這次的 Gemini 3.5 Transcribe，重點不在「又一個轉文字工具」，而在錯字率低到某個程度之後，語音輸入才真的能取代打字。以前 WER 十幾趴的時候，你講三分鐘要校十分鐘，那不如用打的；現在降到 2.6%，這個算式才翻過來。我先前整理過七月那波 Gemini Drop 的語音更新，那時候的感想是「終於可以對電腦講話了」；這次補上的是準確度那一塊。
實際做法我只有兩個習慣，很簡單：第一，講的時候不要修剪，想到什麼講什麼，重複、跳題都沒關係，反正它會幫你整理。第二，把常用的專有名詞先建一份自訂詞彙，公司產品名、課程名稱這種東西，設定一次可以少改幾百次。
用之前要知道的幾件事
- 台灣不一定馬上有。Gboard 的 Rambler 官方寫的是「部分國家與語言」，macOS 版目前限英文，Chrome 那條還沒上。中文使用者要有耐心。
- 數字是官方和第三方在特定條件下測的。2.6% 是實驗室等級的乾淨音檔；你在有冷氣聲、有人插話的會議室錄，結果一定比較差。
- 三個人以上的會議先別全靠它。官方明說三位講者以上還在實驗階段，多人會議記錄還是要人工核對誰講了什麼。
- 錄音檔上傳前先想一下內容。涉及客戶資料、內部未公開資訊、他人隱私的錄音，丟到任何雲端服務前都該先確認公司規範，這跟工具準不準是兩件事。
- 它終究是「轉錄」，不是「理解」。你要的如果是會議重點和待辦，那是另一件事，我在〈開會不用再邊聽邊抄了——Gemini 幫你做會議筆記〉寫過那條路線。
小結
這次的更新拆開來就一句話：錄音轉文字的錯字率降到 2.6%，語音輸入從「玩具」變成「可以放進工作流程的東西」。85 種語言、快 70%、分得出三個人，這些都是為了同一件事服務——讓你不用回頭校稿。
對一般人的意義是，你手機裡那個很少按的麥克風圖示，值得再試一次。對每天要產出內容的人，意義更大：輸入變快三倍，你能餵給 AI 的脈絡就厚三倍，出來的東西才會像你要的。
你平常都用什麼做逐字稿？是手機內建、付費工具，還是乾脆自己打？留言聊聊。
延伸閱讀
- Mac 上長按一個鍵，用講的就能打字、改文、生圖——Gemini 把語音變成你的第二雙手
- 打字打到手痠？Google 七月 Gemini Drop 6 項更新：長按一顆鍵，對電腦講話就成稿
- 開會不用再邊聽邊抄了——Gemini 幫你做會議筆記，抓重點、列待辦、還幫你寄出去
本文整理改寫自 Google 官方部落格 The Keyword，2026 年 8 月 26 日發布：Intelligent transcription with Gemini 3.5 Transcribe。文中數據與功能說明皆以官方原文為準。
留言
張貼留言