Story
Google 發表 Gemini 3.5 Transcribe 模型,提升語音轉文字準確率與速度

Google (NASDAQ:GOOGL) 發表其最新的語音轉文字模型 Gemini 3.5 Transcribe,該模型專為即時轉錄而設計,與前代模型相比,顯著提升了準確率並降低了延遲。此舉被視為 Google 在競爭激烈的人工智慧領域中,強化其產品組合的關鍵一步。
主要效能與技術升級
根據第三方機構 Artificial Analysis 的測量,Gemini 3.5 Transcribe 在處理即時串流音訊時,詞錯誤率 (WER) 僅為 4.0%,在非串流應用中更降至 2.6%。與其前代模型 Chirp 3 相比,新模型將完成最終轉錄所需的時間縮短了 70%。
該模型能有效處理背景噪音、技術術語以及發言者的自我修正,並將音訊直接轉換為格式化的文字。這對於需要高精確度與即時性的企業應用場景至關重要,例如會議記錄、客服中心通話分析等。
應用介面與功能
Google 透過兩個應用程式介面 (API) 提供此模型,以滿足不同需求:
Ad- Live API (`gemini-3.5-transcribe-live`):專為即時串流應用設計,可達到亞秒級的延遲。
- Interactions API (`gemini-3.5-transcribe`):用於處理預錄音訊,例如會議或通話紀錄,並能標示不同發言者。
此模型能自動偵測並轉錄超過 85 種語言,並可在預錄音訊中辨識最多三位發言者並附上時間戳記。其他功能還包括自動移除贅字、自動文字格式化,以及支援自訂詞彙以辨識特定領域的專業術語。
市場影響與產品整合
Gemini 3.5 Transcribe 的推出,將直接強化 Google Cloud 在 AI 服務市場的競爭力,與微軟、亞馬遜等對手展開更激烈的競爭。此技術已開始整合至 Google 的多項產品中,包括 macOS 上的 Gemini 應用程式、Android 系統 Gboard 鍵盤中的 Rambler 功能,以及 Google AI Studio。
目前,該模型已透過 Google AI Studio 向開發者提供公開預覽,企業客戶則可透過 Gemini Enterprise Agent Platform 使用。Google 表示,未來也計畫將此聽寫功能導入 Chrome 瀏覽器,進一步擴大其 AI 技術在生態系中的應用範圍。