การถอดเสียงอัจฉริยะด้วย Gemini 3.5 Transcribe

Gemini 3.​5 Transcribe เข้าสู่การเปิดให้ทดลองใช้แบบสาธารณะ (public preview) เมื่อวันที่ 26 สิงหาคม 2026 และเป็นโมเดลแปลงคำพูดเป็นข้อความตัวแรกของ Go​ogle ที่ถูกขายในฐานะโมเดล G​emini อย่างแท้จริง: คุณเรียกใช้ผ่าน G​emini API ด้วยรหัสโมเดล ราคาเสียงคิดเป็นโทเคน และ Go​ogle ระบุค่าใช้จ่ายต่อนาทีของเสียงในหน้าตาราคา รายละเอียดข้อสุดท้ายนี้คือสิ่งที่การรายงานข่าวสำหรับผู้บริโภคมองข้าม เรื่องราวในวันเปิดตัวเป็นเรื่องเกี่ยวกับการตัดคำฟุ่มเฟือยและการแก้ไขเสียงใน Gboard แต่สิ่งที่เปลี่ยนไปจริงๆ สำหรับนักพัฒนาคือ การถอดเสียงตอนนี้อยู่บนพื้นผิว API เดียวกันกับไลน์ G​emini ที่เหลือ โดยมีการระบุผู้พูดและการประทับเวลาแบบระดับคำในโมเดลพื้นฐาน แทนที่จะเป็นส่วนเสริมแยกต่างหาก บทความชิ้นนี้อ่านเหมือนเอกสารอ้างอิง API เพราะนั่นคือช่องว่างที่การรายงานข่าวระลอกแรกปล่อยทิ้งไว้

ข้อควรระวังสองประการที่ต้องกล่าวไว้ก่อน เพื่อให้ตัวเลขด้านล่างไม่ทำให้เข้าใจผิด Go​ogle ไม่ได้เรียก Gemini 3.​5 Transcribe ว่า "โมเดลแปลงเสียงพูดเป็นข้อความที่ถูกต้องที่สุดเท่าที่เรามี" — คำกล่าวอ้างคือว่าเป็นโมเดลที่แม่นยำที่สุดสำหรับการโต้ตอบด้วยเสียงอัจฉริยะ ซึ่งเป็นคำกล่าวอ้างคนละอย่าง และความแตกต่างนี้มีความสำคัญเมื่อคุณอ่านตัวเลข WER และทุกอย่างในที่นี้เป็นคำอธิบายเกี่ยวกับรุ่นพรีวิวสาธารณะ: รหัสโมเดลสองรหัส ราคา และตัวเลข benchmark คือสิ่งที่ Go​ogle เปิดตัวในวันนี้ และทั้งหมดนี้อาจเปลี่ยนแปลงได้ก่อนถึง GA

เส้นทาง API ทั้งสองเส้นทาง — และ ID โมเดลที่ต้องจำ

Gemini 3.5 Transcribe มาพร้อมกับสองเอนด์พอยต์ และการเลือกเอนด์พอยต์ที่ถูกต้องคือการตัดสินใจด้านสถาปัตยกรรมแรกที่ทีมต้องทำ:

• gemini-3-5-transcribe — เส้นทางที่บันทึกไว้ล่วงหน้าผ่าน Interactions API ส่งไฟล์แล้วรับทรานสคริปต์กลับมาพร้อมการระบุผู้พูด (สูงสุดสามผู้พูด; สามคนขึ้นไปเป็นฟีเจอร์ทดลอง) และไทม์สแตมป์ระดับคำ นี่คือตัวหลักสำหรับงานแบบแบตช์และแบบอะซิงโครนัส

• gemini-3-5-transcribe-live — เส้นทางแบบเรียลไทม์ผ่าน Live API การสตรีมแบบสองทางที่มีความหน่วงต่ำกว่าหนึ่งวินาที มุ่งเน้นสำหรับการสนทนาสด การสร้างคำบรรยาย และอินเทอร์เฟซที่ขับเคลื่อนด้วยเสียง

การแยกนี้สะท้อนถึงการจัดเรียงของตระกูล G​emini Audio ที่เหลือ และมันสำคัญเพราะ "live" เป็น SKU ที่แยกออกมาโดยมีราคาของตัวเอง การวิเคราะห์เบื้องต้นหลายชิ้นเกี่ยวกับการเปิดตัวครั้งนี้สันนิษฐานว่าโมเดลเดียวทำทั้งสองอย่าง แต่ไม่เป็นเช่นนั้น

"การถอดความอัจฉริยะ" จริง ๆ แล้วหมายถึงอะไร

โพสต์เปิดตัวของ Google นำเสนอสิ่งนี้ว่าเป็นการก้าวข้ามความแม่นยำทางสัทศาสตร์ไปสู่ความเข้าใจ คุณสมบัติที่ต่อเนื่องจากกรอบแนวคิดนั้นคือสิ่งที่ควรประเมิน มากกว่าตัวกรอบแนวคิดเอง:

• การจัดการกับความไม่คล่องแคล่ว — เสียง "ums" และ "ahs" จะถูกละทิ้ง และการแก้ไขคำพูดตนเองจะถูกจัดการ "เจอกันวันอังคาร — ไม่สิ วันพุธ" จะถอดความเป็นวันที่แก้ไขแล้ว ไม่ใช่การถอดความจากจุดเริ่มต้นที่ผิดพลาด นี่คือการตัดสินใจที่โมเดลทำ ซึ่งเป็นความหมายที่ Google เรียกว่าฉลาด

• การจัดรูปแบบอัตโนมัติ — ผลลัพธ์จะถูกส่งกลับเป็นข้อความที่จัดรูปแบบแล้ว: มีการใช้เครื่องหมายวรรคตอน การใช้ตัวพิมพ์ใหญ่และตัวพิมพ์เล็ก และการจัดโครงสร้างย่อหน้า ไม่ใช่สตรีมโทเค็นดิบ

• การระบุผู้พูดหลายคน — รองรับการระบุผู้พูดได้สูงสุดสามคนในเสียงที่บันทึกไว้ล่วงหน้า พร้อมการประทับเวลาในระดับคำ; ผู้พูดตั้งแต่สามคนขึ้นไปยังอยู่ในขั้นทดลอง ฟีเจอร์นี้อยู่ในโมเดลพื้นฐาน แทนที่จะเป็นบริการแยกสำหรับการแบ่งแยกผู้พูด

• คำศัพท์แบบกำหนดเอง — คุณสามารถปรับการรู้จำให้เน้นไปที่ศัพท์เฉพาะ ชื่อผลิตภัณฑ์ และการสะกดที่ผิดปกติได้โดยการจัดหาคำศัพท์ ซึ่งเป็นกลไกสำหรับโดเมนแนวตั้ง

• 85+ ภาษา — ตรวจจับอัตโนมัติ พร้อมระบุสำเนียงและภาษาถิ่นตามภูมิภาคอย่างชัดเจน

• การเรียกใช้ฟังก์ชัน — โมเดลสามารถมอบหมายงาน เช่น การสร้างภาพหรือการวิเคราะห์ไฟล์ ให้กับโมเดล G​emini อื่น ๆ ซึ่งเปลี่ยนการถอดความให้เป็นส่วนประกอบของเอเจนต์ที่ใหญ่กว่า แทนที่จะเป็นขั้นตอนสุดท้าย

• การจับเอนทิตี้ — Go​ogle อ้างว่ามีประสิทธิภาพดีเยี่ยมกับเสียงที่มีสัญญาณรบกวนในโลกจริง และกับเอนทิตี้ที่เป็นตัวอักษรและตัวเลข เช่น รหัสไปรษณีย์และรหัสคำสั่งซื้อ

รายงานข่าวยังกล่าวถึงหน้าต่างบริบทขนาด 96,000 โทเค็น (ประมาณหนึ่งชั่วโมงของเสียงประชุมโดยไม่ต้องแบ่ง) และการตรวจจับอารมณ์ ทั้งสองอย่างสอดคล้องกับกรอบการเปิดตัว แต่การ์ดโมเดลที่ Google เผยแพร่ไม่ได้เน้นคุณสมบัติเหล่านี้ ดังนั้นให้ถือว่าเป็นสิ่งที่ถูกรายงานมากกว่าที่ยืนยัน จนกว่าจะมีเอกสารข้อมูลจำเพาะ GA ออกมา

ตัวเลขความแม่นยำที่มีป้ายกำกับ

ตัวเลข WER ที่ Google อ้างอิงมาจาก Artificial Analysis: อัตราความผิดพลาดของคำโดยเฉลี่ย 4.0% สำหรับการถอดความแบบสตรีมมิง และ 2.6% สำหรับการถอดความแบบไม่สตรีมมิง ในการวัดประสิทธิภาพหลายภาษาของ FLEURS นั้น Google รายงาน WER ที่ 5.50% สำหรับการสตรีมมิง และ 5.04% สำหรับการไม่สตรีมมิง Google ยังอ้างว่าการปรับปรุงเวลาจนกว่าจะได้การถอดความครั้งสุดท้ายดีขึ้น 70% เมื่อเทียบกับรุ่นก่อนหน้าอย่าง Chirp 3

การอ่านอย่างตรงไปตรงมา: สิ่งเหล่านี้เป็นการวัดผลแบบอิสระในแง่ที่ว่า Artificial Analysis ไม่ใช่ Go​ogle แต่เป็นการวัดผลที่ Go​ogle คัดเลือกมา เผยแพร่ในการประกาศของ Go​ogle เอง สำหรับโมเดลที่เปิดให้เรียกใช้ได้เพียงหนึ่งวัน ยังไม่มีใครนอกเหนือจาก Go​ogle ที่ได้ทดสอบแบบตัวต่อตัวอย่างแข่งขันกับโมเดลโอเพนเวทที่ทีมส่วนใหญ่ใช้เปรียบเทียบ และเอกสารเปิดตัวไม่มีข้อมูลเปรียบเทียบโดยตรงกับตระกูล Whisper หรือสาย Parakeet ของ NVIDIA ตัวเลขที่ว่าเร็วกว่า Chirp-3 ถึง 70% เป็นเพียงคำกล่าวอ้างของผู้จำหน่ายเท่านั้น จงถือว่า 2.6% และ 4.0% เป็นสัญญาณเริ่มต้นที่แข็งแกร่ง ไม่ใช่ข้อเท็จจริงที่สรุปแล้ว

ค่าใช้จ่ายเท่าไร

หน้าราคาของ Google แสดงแต่ละโมเดลเป็นโทเค็นและเป็นนาทีโดยประมาณของเสียง สำหรับ gemini-3-5-transcribe ค่าประมาณแบบผสมอยู่ที่ประมาณ $0.005 ต่อนาทีของเสียงตามราคารายการ — อินพุตประมาณ $0.003/นาที เอาต์พุตประมาณ $0.002/นาที สำหรับ gemini-3-5-transcribe-live ค่าประมาณแบบผสมอยู่ที่ประมาณ $0.009 ต่อนาที ทั้งสองมีระดับฟรีในปัจจุบัน

ตัวเลขต่อนาทีเหล่านั้นเป็นค่าประมาณที่ได้จากอัตราโทเค็นที่สมมติขึ้น (โทเค็นเสียง 25 ตัวต่อวินาทีขาเข้า, โทเค็นข้อความ 175 ตัวต่อนาทีขาออก) ดังนั้นตัวเลขจึงเปลี่ยนแปลงไปหาก Go​ogle เปลี่ยนการนับโทเค็น สิ่งที่แน่นอนคือหลักการ: ราคาที่ประกาศคือราคาที่ต้องจ่าย นั่นคือหลักการที่เราเตอร์แบบ pass-through เช่น OrcaRouter ใช้ดำเนินการ — ไม่มีมาร์กอัป 0% ส่งผ่านราคาประกาศของผู้ให้บริการ — ดังนั้นหาก Go​ogle ลดราคาการถอดความในช่วงระหว่าง preview ถึง GA การลดราคาจะมีผลฝั่งเราในวันเดียวกัน ไม่ใช่หลังจากที่ตัวแทนจำหน่ายอัปเดตเรตการ์ด

สถานที่ที่กำลังเปิดตัว

สำหรับนักพัฒนา การแสดงตัวอย่างสาธารณะในวันนี้หมายถึงสองด้าน ได้แก่ G​emini API ใน Go​ogle AI Studio และ G​emini Enterprise Agent Platform สำหรับงานระดับองค์กร ในฝั่งผู้บริโภค Gemini 3.​5 Transcribe ขับเคลื่อนฟีเจอร์พิมพ์ตามคำบอก Rambler ใน Gboard บน Android และแอป G​emini บน macOS ถัดไปคือ Chrome — พิมพ์ด้วยเสียงในฟิลด์เว็บใดก็ได้ — ตามด้วย Search Live, G​emini Live, Docs, Keep และ Gmail สำหรับทีมที่กำลังประเมินมัน คำตอบเชิงปฏิบัติก็ง่ายกว่านั้น: มันเรียกใช้ได้จากโค้ดแล้วในตอนนี้ เป็นภาษาอังกฤษ ในภูมิภาคที่ G​emini API พร้อมใช้งาน

สิ่งนี้หมายความว่าอย่างไรสำหรับไปป์ไลน์ของคุณ

สิ่งใหม่ที่แท้จริงไม่ใช่ตัวเลข WER แต่คือการที่ Go​ogle กำลังขายบริการถอดเสียงซึ่งมาพร้อมกับฟีเจอร์สองอย่างที่ทีมเคยต้องประกอบขึ้นเอง — ป้ายชื่อผู้พูดและไทม์สแตมป์ระดับคำ — ภายในโมเดลพื้นฐาน บนพื้นผิว API ของ G​emini ที่รองรับการเรียกใช้ฟังก์ชัน ถ้าคุณกำลังสร้างไปป์ไลน์บันทึกการประชุมแบบระบุผู้พูดจากตัวถอดเสียงธรรมดา บวกตัวระบุผู้พูดแยกต่างหาก บวกขั้นตอนจัดรูปแบบ นี่คือโมเดล Go​ogle รุ่นแรกที่ยุบรวมขั้นตอนเหล่านั้นเข้าด้วยกัน คำถามที่ยังเปิดอยู่คือค่า WER แบบไม่สตรีมมิงที่ 2.6% จะยังใช้ได้ดีกับเสียงของคุณเองหรือไม่ และจนกว่าจะมีผลการทดสอบซ้ำโดยอิสระออกมา การตัดสินใจที่รับผิดชอบของทีมโปรดักชันคือการนำเสียงตัวอย่างจริงรันผ่าน API แทนที่จะตั้งงบประมาณโดยอิงกับเกณฑ์วัดที่ Go​ogle เลือกไว้ สำหรับงาน LLM ที่ทำงานบนบทถอดเสียง — การสรุปความ การสกัดข้อมูลแบบมีโครงสร้าง รายการสิ่งที่ต้องทำ — นั่นคือเลเยอร์ที่การจัดเส้นทาง (routing) พิสูจน์คุณค่า และเป็นเลเยอร์ที่ OrcaRouter ครอบคลุม: API เดียวที่ใช้กับโมเดลมากกว่า 200 รุ่น การเฟลโอเวอร์อัตโนมัติระหว่างผู้ให้บริการ และ DSL สำหรับจัดเส้นทางที่รวมโมเดลหลายตัวเข้าด้วยกันในการเรียกครั้งเดียว ตัวขั้นตอนการถอดเสียงเอง คุณควรทดสอบกับเสียงของคุณเองก่อนที่จะเชื่อตัวเลขเด่นๆ ที่ใครประกาศไว้