觀點 · 資訊分享
Gemini 3.5 Transcribe 正式上線：語音轉文字支援 85 種以上語言，一小時錄音約 0.3 美元
Google 在 8 月 26 日讓 Gemini 3.5 Transcribe 與 Transcribe Live 進入正式版：一款轉錄錄音檔、一款即時串流，可分辨說話者。官方價格頁估算每分鐘約 0.005 美元。
- 發布
- 2026-08-26
- 篇幅
- 約 4 分鐘 · 1,933 字
- 結構
- 8 節 + 3 題常見問題
- 標籤
一句話看懂：Google 在 8 月 26 日讓兩款專門把語音轉成文字的 Gemini 模型正式上線：一款處理錄音檔，一款處理即時串流，支援 85 種以上語言，還能分辨是誰在說話。
先用白話講：語音轉文字模型在做什麼？
想像你請了一位很會速記的助理，開會時坐在旁邊。你說一句，他就寫一句；開完會他還能告訴你「這段是 A 說的，那段是 B 說的」。語音轉文字（也叫逐字稿、轉錄）就是這個工作，只是把助理換成 AI。
以前很多人用通用的 AI 模型來做這件事，現在 Google 直接推出兩款「專門做轉錄」的模型，叫 Gemini 3.5 Transcribe。
發生什麼事
Gemini API 更新日誌在 8 月 26 日宣布，兩款模型進入正式版（GA）：
| 模型代號 | 用途 | 特色 |
|---|---|---|
gemini-3.5-transcribe |
轉錄錄音檔（非串流） | 自動偵測 85 種以上語言、分辨說話者、字級時間戳、自訂詞彙最多 1,000 個 |
gemini-3.5-transcribe-live |
即時串流轉錄 | 透過 WebSocket 傳聲音進去、邊說邊出字，有暫定與定稿兩種事件，並有多種語音活動偵測策略 |
第二款走的是 Live API。官方也提到「智慧轉錄」模式：會幫你去掉口頭禪與重複的字，並把數字、大小寫整理成比較好讀的格式。
有哪些限制？
模型頁面列了不少細節（該頁在 9 月 1 日更新過，以下是我 10 月讀到的版本）：
- 一次最多處理 1 小時的錄音；如果開了分辨說話者或字級時間戳，上限變成 30 分鐘
- 分辨說話者最多 8 人，3 人以上屬於實驗性質
- 自訂詞彙最多 1,000 個，但官方說多數情況在 100 個以內效果最好；它不能和分辨說話者、字級時間戳同時用
- 即時串流版每場最長 10 分鐘，而且不支援分辨說話者與字級時間戳
- 這兩款模型都不支援快取、函式呼叫、思考、批次 API
要花多少錢？
依官方價格頁（我 10 月讀到的版本）：
| 模型 | 輸入（音訊） | 輸出（文字） | 官方估算混合費率 |
|---|---|---|---|
| Transcribe | 每百萬 token 2.00 美元 | 每百萬 token 12.00 美元 | 約每分鐘 0.005 美元 |
| Transcribe Live | 每百萬 token 3.50 美元 | 每百萬 token 21.00 美元 | 約每分鐘 0.009 美元 |
官方的估算基準是音訊每秒 25 個 token、輸出每分鐘 175 個 token。依這個費率，一小時錄音大約是 0.3 美元（自行換算，60 分鐘乘以 0.005）。免費層級可以試用，但官方寫明免費層的內容會被用來改進產品，付費層則不會。
給開發者的技術細節
官方範例是用 Interactions API，先把檔案傳上去再呼叫模型：
from google import genai
client = genai.Client()
audio_file = client.files.upload(file="path/to/sample.mp3")
interaction = client.interactions.create(
model="gemini-3.5-transcribe",
input=[{"type": "audio", "uri": audio_file.uri, "mime_type": audio_file.mime_type}],
)
print(interaction.output_text)
- 預設會自動偵測語言，並能處理同一句話混用兩種語言的情況；如果事先知道語言，可以在
generation_config.transcription_config.language_codes填入語言編號（BCP-47）提高準確度 - 官方也提供 JavaScript、Go 與 REST 的範例
我的看法
對做會議紀錄、客服通話分析、影片字幕的人來說，這是很實用的新工具，而且價格寫得很清楚，一小時錄音大約只要幾十美分。
但我有兩點提醒。第一，台灣華語：支援語言清單上，我只看到「簡體中文普通話」與「繁體粵語」，沒有看到明確標示台灣華語的選項，所以實際辨識效果要自己用錄音測。第二，限制很多：想要分辨說話者就不能用自訂詞彙，錄音超過 30 分鐘還得自己切段。
如果你在幫客戶做這類功能，我會先拿十段真實的錄音試跑，看專有名詞、口音和雜音的結果，再決定要不要上線；另外別把客戶的敏感錄音丟到免費層，因為官方寫明免費層的資料會用來改進產品。
名詞小辭典
- 語音轉文字（STT）：把說話的聲音變成文字的技術。
- 說話者分離（Diarization）：判斷一段錄音裡，哪幾句是誰說的。
- 字級時間戳：每個字出現的起訖時間，做字幕時很有用。
- WebSocket：一種讓程式與伺服器保持長連線、雙向即時傳資料的方式。