Gemini 在 2026 年 8 月底推出了一支專用語音轉文字模型，叫 Gemini 3.5 Transcribe。它不是那種「把語音變成逐字稿」的普通工具，而是帶了點想法：它會自動把口語裡的雜訊清掉，直接丟給你一份乾淨、格式正確的文字，也就是官方所說的「智慧聽寫」。
我把發布文、API 文件、第三方測評跟定價都翻了一遍。結論先講：大部分宣傳是真的，定價也算合理，但 diarization（判斷誰在講話）有它的使用範圍，後面單獨說明。
兩個 API，兩種用法
| 模型 ID | API | 用途 |
|---|---|---|
gemini-3.5-transcribe |
Interactions API | 錄音檔、會議、通話記錄的批次轉寫 |
gemini-3.5-transcribe-live |
Live API（雙向串流） | 語音 agent、即時字幕，sub-second 延遲 |
兩個目前都是公開預覽（public preview），走 Gemini API（AI Studio）或 Gemini Enterprise Agent Platform。要批次處理錄好的音檔就用第一個，要即時互動就用第二個，界線很清楚。
核心功能
- Smart transcription：自動移除「呃、嗯」這類填充詞，也能處理自我修正（比如講「禮拜二見面——不，禮拜三」，它會留下「禮拜三」），順便自動格式化。
- Custom vocabulary：可提供一份專有名詞拼法表，上限 1000 個詞（官方建議大概 100 個就夠）。
- 85+ 語言：自動偵測，串流模式下還能切換語言。
- Multi-speaker：錄音檔可標記誰講話，搭配詞級時間戳。這塊見下方專節。
- 字母數字實體：郵遞區號、訂單編號等，在吵雜環境下也抓得準。
辨識準確度
Google 引用 Artificial Analysis 的數據：非串流 WER 平均 2.6%、串流 4.0%。在 AA 排行榜排第五，前面是 Fun-Realtime-ASR（1.7%）、ElevenLabs Scribe v2（2.2%）那幾家。
不過想跟別家比，建議改用公開的 FLEURS 測值：非串流 5.04%、串流 5.50%。AA 那顆 2.6% 是用自家混合資料集算的，跨廠商比較不如 FLEURS 公允。另外從「最後結果出現」的時間 latency 相比前代 Chirp 3 快 70%，這一顆是實打實的進步。
定價
| 端點 | 換算（第三方估） |
|---|---|
| 批次 | 約 $0.005/分鐘（約 $0.30/小時） |
| 串流 | 約 $0.009/分鐘（約 $0.54/小時） |
官方採 token 計費，音訊約 25 tokens/秒。批次端比 AssemblyAI batch 那 0.0025/分鐘貴，也比 Deepgram Nova-3（0.0043）略高，不是最便宜的。但 Gemini 把 diarization、時間戳、custom vocab 全包進同一支價格，AssemblyAI 那些是加購項。整包算起來反而划算。串流端 0.009 則比 ElevenLabs、AssemblyAI 串流略貴。
Speaker Diarization：為什麼只保證 3 個
這是爭議最大的一塊。發布文寫「最多三位說話者，3+ 是實驗性」，但 API 文件其實上限是 8 位。發布文只是把「有把握的範圍」設定成 3。兩個數字都要記對。
更重要的是，它的技術路線跟業界不同。傳統做法（pyannote、AssemblyAI、Deepgram）是聲紋聚類：把聲音轉向量、數學聚類、再對齊詞邊界。Gemini 走的是 LLM 原生路線：轉寫當下就用語言脈絡判斷，靠輪替節奏、有人喊「thanks Priya」、問答配對，來分辨誰發言。這對對話場景其實是優勢，尤其 crosstalk 和插話（「right」、「mhm」）這種傳統算法最易崩的地方；代價是「多於三或四個人的會議」辨識就下降到需要謹慎。
而且有幾個硬性限制：開 diarization 或詞級時間戳後，單檔上限從 1 小時降到 30 分鐘；diarization 只能在 verbatim 模式用，所以「去填充詞的 smart 模式」和 diarization 只能二選一；串流版完全沒有 diarization。要用之前先看懂這些，免得試到一半才踩雷。
產品端整合
它不只是 API。Google 已把它塞進多個入口：Gboard 的 Rambler（語音直接變格式化文字，或語音下指令改錯）、Gemini macOS app（聽寫＋語音指令＋螢幕上下文，背後再調其他 Gemini 模型幫你摘要檔案、在游標處生圖）、Antigravity（搭配螢幕上下文來聽寫檔名跟 agent 想法）。Chrome 也說之後會在任意網頁輸入框支援「用講的打字」。消費端的框架看得出它的布局。
一句話總結
Gemini 3.5 Transcribe 是一支「誠實版」的智慧聽寫模型——準度排前段、定價算合理、把 diarization / 時間戳 / 自定義詞彙打包成一站式；但 diarization 有限制，先知道它哪裡不好，再去用它擅長的部分。