Google: Gemini 3.5 Transcribe

Gemini 3.5 Transcribe 是 Google 的語音轉文字模型，自動偵測 85 種以上語言並處理中英夾雜，支援說話者分離（最多 8 人）、逐字時間軸與自訂詞彙。

另有 Smart 模式（mode: smart）會去掉贅字、套用自我更正並自動整理成段落或清單，適合會議紀錄與口述筆記。

單次最長 1 小時（開說話者分離或時間軸時 30 分鐘）。依 tokens 計費（音訊輸入 2、文字輸出 12 USD／1M tokens，約 0.005 USD／分鐘）。