Google推出Gemini 3.5 Transcribe 語音轉文字AI可自動剔除口頭禪、辨清多人對話
Google於美國時間8月26日推出新一代語音轉文字模型Gemini 3.5 Transcribe，聲稱是該公司歷來最準確的語音辨識技術。新模型不止把說話內容逐字轉成文字，還會自動整理句子、剔除「嗯」、「呃」等口頭禪，甚至理解說話者臨時修正內容的情況。
Google舉例，若有人說「我們約星期二開會——不，改星期三」，系統能明白對方是在更改時間，而不會將兩個日子都寫進紀錄裡。
📈 準確度大幅提升
根據測試機構Artificial Analysis的數據，新模型處理已錄好的錄音時，錯字率只有2.6%；即時轉錄，即一邊講一邊出字，錯字率則為4.0%。若以另一項涵蓋多種語言的FLEURS基準測試計算，非即時及即時模式的錯字率分別為5.04%及5.50%。Google表示，新模型較舊版本Chirp 3更準確，處理速度亦快了七成。
新模型還特別強化辨認電話號碼、訂單編號、郵政編號等英數混合資料。企業亦可預先輸入公司名稱、產品名稱等專有詞彙，讓系統辨識時更準確，適合客服中心、物流公司等有大量專業術語的行業使用。
👥 一次可分辨三個人聲
Gemini 3.5 Transcribe支援超過85種語言及口音，甚至能應付說話中途轉換語言的情況，用戶毋須預先設定使用哪種語言。
處理會議錄音或訪談等預先錄好的音訊時，系統可分辨最多三名不同說話者，並標示各人發言時間。若說話者超過三人，準確度則未有保證，Google形容此功能仍屬測試階段。這項功能適合用於整理會議紀錄、Podcast節目及客服電話等。
🗣️ 講一句話即可叫AI做事
新模型另一特點是可配合Google的AI指令系統，讓語音不止變成文字，還可以直接變成指令。例如用戶對着電腦說「幫我整理這份文件」或「用這段內容生成圖片」，系統會理解意思，再交由其他AI模型處理。目前這項功能只在Mac版Gemini應用程式提供。
📱 已率先用於多項Google產品
新模型現正應用於Android手機輸入法Gboard的新功能「Rambler」，用戶說話後，系統會自動修正文法、整理句子，甚至可以再用語音修改剛才打好的內容。
Google的程式開發平台Antigravity亦已用上這技術，並會參考用戶當時的螢幕畫面、對話紀錄等資料，提升辨識準確度；例如即使檔案名稱較特別，系統仍可靠畫面資訊推斷出正確名稱。
Mac版Gemini應用程式則走得更前，用戶單靠聲音就可以整理文件、改寫文字、搜尋資料，甚至生成圖片。Google預告，未來Chrome瀏覽器亦會加入這技術，屆時用戶在任何網頁輸入框都可以用語音打字，例如回覆留言或填寫表格。
🔓 開放狀況
Gemini 3.5 Transcribe目前仍屬公開測試階段。開發者可透過Google AI Studio試用；企業客戶可經Gemini Enterprise Agent Platform使用；一般用戶則已可在Mac版Gemini應用程式及部分地區的Android Gboard中率先體驗。
✏️ 內容：由 AI Marketer HK 編輯部整理
————
👇 相信「AI × 數碼營銷」是未來的你，
歡迎 Tag 一位同行好友，一起成長！
#AIMarketerHK #DigitalMarketing #geminilive
