Google推出Gemini 3.8 Live系列原生語音模型

Google擴充 Gemini 語音模型，瞄準會議紀錄、字幕、客服與語音控制等場景。語音轉文字在多人交談、背景噪音或發言遭打斷時容易失準，新模型則進一步理解上下文與專門術語，並可整理口語內容，降低後續人工校稿成本。

最新推出的 Gemini 3.5 Transcribe 支援超過 85 種語言，Google公布平均字詞錯誤率（WER）為 2.6%。模型可辨識最多三名說話者、自動刪除「嗯、啊」等語助詞，並支援即時翻譯及吵雜環境轉錄；不過目前支援清單未包含繁體中文。

生成式 AI 競爭正從聊天機器人轉向可連續呼叫工具、執行多步任務的 AI 代理，企業因而更重視 Token 成本、回應速度與資安能力。Google 以 Gemini Flash 系列補強輕量模型陣容，藉此擴大 Gemini API 生態系並提高大規模部署的經濟性。

截至 2026 年 7 月 29 日，Google 發表 Gemini 3.6 Flash、3.5 Flash-Lite 與 3.5 Flash Cyber 三款模型，主打更快運算與更高 Token 效率。其中 Cyber 微調模型已進入漏洞修補試點；3.5 Pro 仍在測試，下一代 Gemini 4 則已啟動預訓練。

Google 將 Gemini 3.5 的生成式 AI 能力延伸至即時口譯，核心是直接進行「語音對語音」翻譯，並保留說話者原有語調、節奏與表達方式。相較傳統先轉文字再合成語音的流程，新模型可縮短停頓，對跨國會議、旅遊及客服溝通具有重要性。

Google 最新發布 Gemini 3.5 Live Translate 音訊模型，可即時翻譯超過 70 種語言，並同步導入 Google 翻譯與 Google Meet，同時開放開發者預覽。Google 也已與東南亞叫車及外送平台 Grab 等夥伴展開測試，藉由實際服務場景驗證翻譯速度與自然度。

Google 持續將 Gemini 多模態能力延伸至語音生成，讓開發者能為客服、影音配音與無障礙服務建立更自然的互動體驗。Gemini 3.1 Flash TTS 支援多語言及情緒控制，降低跨市場製作語音內容的門檻，對 AI 應用在地化尤其重要。

截至 2026 年 7 月 19 日，Google AI 開發者關係負責人 Logan Kilpatrick 宣布 Gemini 3.1 Flash TTS 上線。模型支援 70 種以上語言，開發者可用音訊標籤進行場景導演，調整情緒與表達方式；目前已開放於 Google AI Studio 體驗，並可透過 Gemini API 整合，相關定價尚未公布。

Google自2025年9月先在美國推出Search Live，將生成式AI從文字搜尋延伸至語音與鏡頭連續追問。服務結合Google搜尋索引與AI Mode，可在對話中拆解問題並提供網頁連結，反映Google正以Gemini重塑核心搜尋入口；公司未公布本次部署的投資金額。

2026年3月26日，Google發布即時音訊模型Gemini 3.1 Flash Live，提升多語回應速度、自然度與穩定性，並同步將Search Live擴至AI Mode已上線的200多個國家與地區、支援98種語言。使用者可在Android或iOS版Google App點選Live，也能透過Google Lens以鏡頭搭配語音連續搜尋。