Story

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

ENTHMSVIIDZHZH-TWJAKOHI
Aug 26, 20261 min read
Google 發表 Gemini 3.5 Transcribe 模型,提升語音轉文字準確率與速度
Text size
Background

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:

Sample IUX Markets – In-articleAd
  • 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。

Back to latest news

LATEST