Gemini Transcribe 語音編輯 API:用說話修改草稿,完整覆寫與逐字稿要怎麼分?
Gemini Transcribe 語音編輯 API 可用 source_text 修改草稿。解析完整結果覆寫、64 KiB、Live 多輪、鍵盤同步與逐字紀錄的差別。
Gemini Transcribe 語音編輯讓使用者說話修改草稿。因為口述變文字後,常要再改時間、刪句子或調整語氣,介面若能理解修改指令,就能在同一段操作裡接著完成。
Google 在 2026 年 11 月 17 日替 Gemini 3.5 Transcribe 的程式介面加入語音編輯,並於 11 月 20 日從官方 X 帳號展示,開發者可以讓使用者直接說話修改既有文字。
這項功能用 source_text 提供要修改的草稿,再由 Smart 模式套用口述指令。它回傳的是修改後的完整文字,所以接收端也得改變原本只會追加逐字稿的做法。
如果把完整新稿繼續接在舊稿後面,畫面會重複。如果讓鍵盤修改和語音會話各自前進,又可能把較新的內容蓋回舊版,這是導入時比展示更需要處理的問題。
我的建議是把它優先用在可預覽、可還原的草稿表單,讓使用者確認差異後再儲存。需要保留原話的訪談與紀錄,則應維持逐字轉寫與編修稿的清楚區隔。
因此,先分清 Smart 模式究竟會改哪些文字,才能設計正確的錄音請求與連續編修流程。
Gemini Transcribe 語音編輯與逐字轉寫差在哪?
Smart 模式會把口述指令套在草稿上,逐字模式則保留說出的內容,適合不同的記錄目的。
傳統語音轉寫把說出的內容變成文字。若使用者先說會議九點開始,再說改成十點,逐字模式可能保留兩句原話,讀者需要自己判斷最後決定。
語音編輯則把第二句當成修改要求,直接更新草稿裡的時間。這很適合寫信、表單或備忘稿,但保留下來的已經是編修結果,與原話有不同用途。
依 Google 錄音轉寫指南,Smart 模式預設啟用語音編輯。它可以處理新的口述,也能接收既有文字,依說話指令替換、重寫或調整格式。
例如草稿已有三項工作,使用者可以要求改成編號清單。這時模型要維持原內容並改結構,而不是把「請改成編號」這句話附在清單後面。
Google 的示範還包含調整語氣、加上一句與刪除指定句子。開發者可以據此設計草稿介面,但不應把展示理解成所有口音、語言與專業名詞都具有相同正確率。
需要保留原話的工作,應使用逐字模式並保留原始紀錄。例如訪談中說錯又修正,這個過程本身可能有意義,不能因為修飾後比較順,就把原話取代掉。
這次更新的是既有模型的編輯能力。原本的轉寫產品與手機語音輸入早已存在,十一月十七日的程式介面更新,讓開發者能在自己的應用中處理這類編修。
確定要產生編修稿之後,程式必須把正確的草稿連同聲音送進去。

We're bringing Gemini 3.5 Transcribe's voice editing capabilities, the same tech behind Rambler on Gboard and @GeminiApp on macOS, to the Gemini API.
— Google (@Google) November 20, 2026
Now developers can build voice experiences that let people edit, rephrase, and translate existing text naturally using just their… pic.twitter.com/iCOATUFzOf
source_text 怎麼提供,為什麼要取代整份結果?
source_text 放的是待改文字,模型回傳套用修改後的完整版本,因此接收端應替換草稿而非追加。
程式呼叫時,把錄音與要編修的文字分別提供。source_text 是既有草稿,語音內容是修改要求,因此應確保兩者屬於同一個正在編輯的版本。
官方錄音流程在轉寫設定裡使用 Smart 類型,再放入草稿。可提供的文字上限為 64 KiB,這是資料大小限制,不能直接換算成固定中文字數,因為不同字元的編碼長度不同。
送出之後,回應提供修改後的整份文字,不是一小段差異。介面若繼續使用逐字稿常見的追加方式,就會同時留下舊稿與新稿,讓使用者看到重複內容。
正確的資料處理方向,是把完成文字當成新的草稿版本,再呈現修改差異供確認。例如原稿寫九點,結果改成十點,可以標示時間欄位的變更,而不是默默覆蓋。
單次錄音請求不會自動替應用保管多輪草稿。若使用者第二次再說加一項議程,程式應把第一輪已接受的結果,作為下一次的 source_text。
如果兩次請求同時以舊稿出發,就可能互相蓋掉。應用可以一次只接受一輪編修,或在儲存時比對版本,確認回來的結果仍對應目前畫面。
保留舊稿也有實際用途。當模型把名稱改錯,使用者可以還原這一輪,而不必重新口述全部內容。這是應用層可以設計的保護,並非模型自動提供的文件歷史服務。
單次請求的狀態由應用程式保管,連續語音會話則有另一套接續規則。
Live 多輪編修怎麼接,鍵盤改字後為何要重新連線?
Live Smart 會把上一輪完成文字留作下一輪的編輯底稿,但會話外的鍵盤修改不會自動同步進去。
Live 轉寫指南提供會話內的接續規則。開始連線時可以送入既有草稿,也可以不提供文字,先從空白口述建立第一版。
每一輪正式文字完成後,伺服器會把它當成下一輪的活動草稿。使用者接著說修改語氣或加上一句時,不必再次把整份文字送回去。
但這個狀態只知道語音會話內發生的變化。若使用者在畫面上用鍵盤改了名字,伺服器不會自動讀到瀏覽器文字框的新內容。
官方要求這種情況重新連線,並以更新過的 source_text 建立會話。因為這個欄位只在連線設定時接受,不能假設後續每一輪都可隨意送入另一份底稿。
設計上可以在鍵盤輸入時先暫停語音,等使用者完成修改後再重新同步。這能避免聲音指令套在舊版,讓剛修好的內容又被改回去。
會話中也要區分預覽文字與已完成文字。暫時辨識可能隨後續聲音變動,若立即拿它更新正式草稿,就可能在一句話還沒說完時套用錯誤修改。
Smart 的正式回應包含累積完成稿,因此應替換目前草稿。逐字模式的正式片段通常接在既有紀錄後面,兩種模式若共用同一個接收函式,就要明確分支處理。
把模式與版本留在執行紀錄裡,也能幫助找問題。使用者看到內容消失時,團隊才有辦法分辨是語音辨識、編輯要求,還是同步舊稿造成。
狀態對齊後,還要把說話結束與文字定稿分開,才能避免操作時先寫進不完整結果。
錄音結束、暫時字幕與正式稿件怎麼安排?
串流中的暫時辨識只適合預覽,正式草稿應以完成後的結果更新,並明確控制每一輪說話的邊界。
聲音什麼時候算一輪結束,會影響模型如何理解修改要求。官方語音編輯範例採手動邊界,關閉自動判定,再由應用明確送出開始與結束訊號。
這類設計可做成按住說話、放開送出的按鈕。開始時發出活動開始,聲音片段傳完後發出活動結束,讓模型知道何時可以處理完整的一句要求。
如果使用者說「刪掉第二句,然後把最後一句變正式」,中途的短暫停頓不一定代表指令完成。清楚的操作邊界,可以減少把後半句分成另一項編修的混亂。
串流聲音也有格式條件。文件使用單聲道、十六位元的原始聲音資料,範例取樣率為每秒一萬六千次。來源錄音若是另一種格式,應先依介面要求轉換。
取樣率描述每秒記錄多少聲音資料,不是辨識準確率。改高這個數字,不會自動保證模型更理解中文、台語或特定專業用語。
正式畫面可以同時提供暫時字幕與完成稿,但要有不同視覺狀態。暫時字幕讓使用者確認麥克風有收到聲音,完成稿則等待完整回應,再進入可確認的版本。
若瀏覽器或手機直接連到服務,也要處理程式憑證。官方提供短效授權方式,避免把長期金鑰放進前端程式。短效憑證的產生仍由自己的伺服器控制。
這些安排影響的是輸入可靠性與權限範圍。語音完成一輪,不等於使用者已同意寄信、送出表單或執行交易,正式提交應維持另一個明確動作。
介面規則正確仍不足以證明中文或專有名詞效果,驗收要回到自己的錄音與修改要求。
哪些草稿適合先試,怎麼驗收語音編輯?
我會先用不含敏感資料的短草稿,逐一測試替換、刪除與改格式,再增加連續修改與還原操作。
起點可以是一份短備忘稿,預先放入時間、姓名與兩項工作。先測單一替換,再測刪句、調整語氣與改清單,便能知道模型是否保留了不該變的內容。
驗收不只看結果讀起來順不順。例如要求更正式時,原來承諾的日期、金額與對象都應保持一致。若語氣改善卻改變事實,這輪仍應被判為失敗。
中文也應使用自己的錄音測試。可以比較安靜環境、背景噪音、夾雜英文名稱,以及一句話中先說錯再修正等情況,逐項記錄哪些內容被改動。
專有名詞可參考自訂詞彙功能,但功能組合有條件。官方錄音指南指出,自訂詞彙不能與說話者辨識或逐字時間戳記一起啟用,並非勾選越多就一定更完整。
接著測連續兩輪修改,確認第二輪接的是第一輪完成稿。再加入一次鍵盤修改與重新連線,檢查畫面和會話是否仍指向同一版文字。
若要求刪除重要段落,可以先顯示差異並提供還原。對使用者而言,看得見哪些地方改了,比只得到一段流暢新稿更有助於信任。
記錄測試時,也應區分原音、原稿、修改要求與完成稿。它們可以幫助重現錯誤,但不一定都需要長期保存,團隊應依用途選擇必要內容與存取權限。
例如除錯只需要確認版本接續是否正確,就可以先記錄版本識別與完成狀態,避免把整份客戶文件送進其他記錄服務。要分析辨識錯字時,再另外安排符合資料政策的素材。
這些是依官方介面規則提出的驗收方法,本文沒有上傳錄音或執行中文準確度測試。對真實產品,還應另外量測等待時間、失敗重試與服務用量,再決定適用的草稿長度。
能看見修改、確認版本並保留還原路徑,這項新功能才會從展示變成可依賴的輸入方式。
先把版本與確認做好,再增加語音操作
這次新增的能力,適合能預覽與還原的文字草稿。先驗證單輪替換,再加入多輪與鍵盤同步,會比較容易定位錯誤。當使用者看得見變動、確認後才提交,語音才會成為可用的編輯方式。
延伸閱讀:SOV-Transcribe-1 開放權重:英文轉寫、專有名詞提示與七語支援怎麼用?
延伸閱讀:LiteLLM 語音串流更新:先播聲音後收完整音檔,記帳與中斷怎麼處理?
常見問題(FAQ)
Gemini Transcribe 語音編輯會回傳修改差異嗎?
官方流程回傳套用指令後的完整文字。若需要顯示差異,應用程式要將結果與原稿比較,不能把整份新稿直接追加在舊稿後面。
Live 會話中用鍵盤改字,語音模型會同步嗎?
不會自動同步。source_text 在會話建立時提供,鍵盤修改後應重新連線並帶入更新的草稿,避免下一句語音仍編輯舊版。
Smart 編修稿能當原始逐字紀錄嗎?
不適合。Smart 會刪除口頭停頓、修正或套用編輯要求,需要保留原話的工作應使用逐字模式,並把原始紀錄與後續編修稿分開。