Google 發表 Gemini 3.5 Transcribe（Gemini 3.5 語音轉錄模型），一次支援 85 種以上語言，並分成即時串流與預錄檔案兩種模式。官方引用 Artificial Analysis 測試，串流平均 WER（Word Error Rate，字詞錯誤率）為 4.0%，預錄模式為 2.6%；比起只說「AI 轉錄更準」，這兩個數字才有比較基準。
最終結果快 70%，預錄模式才有說話者分離
即時模式透過 Gemini Live API 提供亞秒級延遲，適合直播字幕、客服與會議速記；預錄模式可做 Speaker Diarization（說話者分離）與字級時間碼，最多支援 8 位說話者。如果開啟分離或時間碼，單次預錄音檔上限會從 1 小時縮到 30 分鐘，而且字級時間碼可能拉低辨識率。
對媒體與創作者來說，多人訪談、產品名、人名與機車型號比一般日常對話更難。Gemini 3.5 Transcribe 可放入最多 1,000 個自訂詞彙，Google 建議精選約 100 個最常用名詞，讓模型不用在同音字裡瞎猜。
台灣華語還少一個明確標籤
Google 列出的語言包含 yue-Hant-HK（香港繁體廣東話），普通話則標為 cmn-Hans-CN（中國簡體普通話）；清單上沒有台灣華語或繁體中文普通話的獨立 locale（語言地區標籤）。
實際導入前，拿自己的訪談、中英夾雜、台語穿插和戶外風聲做一組固定樣本，比只看英文 benchmark（基準測試）實際。它最有機會省下的時間，是長訪談初稿、說話者分段與字幕對點；專有名詞與口誤最後還是得由編輯聽過一次。
