Gemini 3.5 Transcribe: บันทึกการประชุม การเข้าถึง และทางเลือกอื่น (2026)

Google ได้เปิดตัว Gemini 3.5 Transcribe เมื่อวันที่ 26 สิงหาคม 2026 โดยเป็นโมเดลแปลงเสียงเป็นข้อความที่เปลี่ยนเสียงดิบให้เป็นข้อความที่จัดรูปแบบแล้ว พร้อมระบุตัวผู้พูดและประทับเวลาในระดับคำบนไฟล์ที่บันทึกไว้ล่วงหน้า คู่มือนี้จะครอบคลุมถึงสิ่งที่เปิดตัว ช่องทางที่คุณสามารถใช้งานได้ และสิ่งที่ยังต้องทำก่อนที่บทถอดเสียงจะกลายเป็นสิ่งที่คุณสามารถส่งต่อได้

สิ่งที่ Google ประกาศเมื่อวันที่ 26 สิงหาคม

ประกาศดังกล่าวมีความกระชับและเฉพาะเจาะจง โดย Google เรียกโมเดลนี้ว่า "โมเดลแปลงเสียงเป็นข้อความที่แม่นยำที่สุดของเราในปัจจุบัน ซึ่งได้รับการออกแบบมาเพื่อการโต้ตอบด้วยเสียงอันชาญฉลาด"

กรอบแนวคิดนี้มีความแตกต่างอย่างสิ้นเชิงกับระบบรู้จำเสียงแบบเก่า จากประกาศของ Google โมเดลแบบดั้งเดิมมัก "ประสบปัญหาเกี่ยวกับเสียงรบกวนรอบข้าง ศัพท์เฉพาะที่ซับซ้อน และการจัดการคำพูดที่ติดขัด" แต่สำหรับโมเดลนี้ Google กล่าวว่าสามารถ "แปลงเสียงดิบให้เป็นข้อความที่ถูกต้อง ขัดเกลา และจัดรูปแบบแล้วได้โดยตรง"

มีการเผยแพร่ตัวเลขความแม่นยำสองค่า จากการวัดผลโดย Artificial Analysis โมเดลนี้มีอัตราความผิดพลาดของคำเฉลี่ยอยู่ที่ 4.0% สำหรับการสตรีมมิง และ 2.6% สำหรับกรณีการใช้งานแบบไม่ใช่สตรีมมิง

Google ยังได้เปรียบเทียบโมเดลนี้กับ Chirp 3 ซึ่งเป็นโมเดลที่เคยใช้ก่อนหน้านี้ โดยระยะเวลาในการประมวลผลผลลัพธ์สุดท้าย "ดีขึ้นถึง 70%" และจากการทดสอบมาตรฐาน FLEURS โมเดลนี้ทำสถิติอัตราความผิดพลาดของคำอยู่ที่ 5.50% สำหรับการสตรีมมิง และ 5.04% สำหรับแบบไม่ใช่สตรีมมิง

ตัวเลขเหล่านั้นมีความสำคัญน้อยกว่ารูปแบบของผลลัพธ์ที่ได้ ไฟล์ข้อความดิบที่สะอาดกว่าหมายถึงการแก้ไขที่น้อยลงก่อนที่ใครจะนำไปใช้งานได้

สองรูปแบบในการให้บริการโมเดลนี้

มี API แยกกันสองตัว และการแบ่งส่วนนี้มีความสำคัญอย่างยิ่งหากกรณีการใช้งานของคุณคือการประชุม

โหมด	Model ID	สิ่งที่ถูกสร้างขึ้นมาเพื่อรองรับ
การสตรีมมิงแบบเรียลไทม์	gemini-3.5-transcribe-live	การสตรีมมิงแบบสองทิศทางอย่างต่อเนื่องด้วยความหน่วงต่ำกว่าวินาที ผ่าน Live API
เสียงที่บันทึกไว้ล่วงหน้า	gemini-3.5-transcribe	เสียงที่บันทึกไว้ การประชุม และบันทึกการโทร ผ่าน Interactions API

เส้นทางสำหรับเสียงที่บันทึกไว้ล่วงหน้าคือส่วนที่มาพร้อมกับฟีเจอร์สำหรับการประชุม โดย Google อธิบายว่าเป็นการถอดเสียง "เสียงที่บันทึกไว้ การประชุม บันทึกการโทร และอื่นๆ พร้อมการระบุตัวผู้พูดและการประทับเวลาในระดับคำ"

การรองรับผู้พูดมีขีดจำกัดที่ระบุไว้ โดยโมเดลนี้ "ระบุตัวผู้พูดในเสียงที่บันทึกไว้ล่วงหน้าได้อย่างแม่นยำพร้อมการประทับเวลาสำหรับผู้พูดสูงสุดสามคน" และการรองรับผู้พูดมากกว่าสามคนนั้นถูกระบุว่ายังอยู่ในขั้นทดลอง

สิ่งที่การถอดเสียงอัจฉริยะเข้ามาเปลี่ยนแปลงอย่างแท้จริง

มีการระบุความสามารถสี่ประการ ซึ่งเป็นความแตกต่างในทางปฏิบัติเมื่อเทียบกับบทถอดเสียงทั่วไป

การจัดการคำพูดที่ติดขัด โมเดลสามารถจัดการกับการแก้ไขคำพูดของตัวเอง เช่น "เจอกันวันอังคาร—ไม่ใช่สิ วันพุธ" ลบคำเติมเต็ม และจัดรูปแบบผลลัพธ์โดยอัตโนมัติ

คำศัพท์เฉพาะตัว คุณสามารถใส่คำศัพท์ของคุณเองได้ เพื่อให้คำศัพท์เฉพาะทางและการสะกดคำที่ไม่ปกติยังคงถูกต้องในกระบวนการถอดเสียง

ความแม่นยำของตัวอักษรและตัวเลข Google เน้นย้ำถึง "ข้อมูลที่เป็นตัวอักษรผสมตัวเลข เช่น รหัสไปรษณีย์และรหัสคำสั่งซื้อ" ซึ่งมักจะเป็นจุดที่โมเดลทั่วไปทำงานผิดพลาด

การรองรับภาษา โมเดลจะตรวจจับภาษาโดยอัตโนมัติมากกว่า 85 ภาษา รวมถึงสำเนียงและภาษาถิ่นต่างๆ

นอกจากนี้ยังมีความสามารถในการเรียกใช้ฟังก์ชันที่น่าสนใจ โดย Google กล่าวว่าโมเดลนี้ "สามารถมอบหมายงานที่ซับซ้อน (เช่น การสร้างรูปภาพและการวิเคราะห์ไฟล์) ให้กับโมเดล Gemini อื่นๆ ผ่านการเรียกใช้ฟังก์ชันได้" ซึ่งปัจจุบันความสามารถนี้มีระบุไว้สำหรับแอป Gemini บน macOS เท่านั้น

ช่องทางที่คุณสามารถใช้งานได้แล้ววันนี้

นี่ไม่ใช่การเปิดตัวเฉพาะ API เท่านั้น ซึ่งถือเป็นเรื่องแปลกสำหรับการเปิดตัวโมเดลใหม่

แพลตฟอร์มการใช้งาน	บทบาทการทำงานบนแพลตฟอร์มนั้น
Gemini API ใน Google AI Studio	โหมดการสร้าง รวมถึงการเขียนโค้ดแอปพลิเคชันด้วยเสียง
Gemini Enterprise Agent Platform	โมเดลเดียวกัน ในรูปแบบการติดตั้งใช้งานสำหรับองค์กร
Gboard บน Android	ฟีเจอร์ Rambler เปลี่ยนเสียงพูดให้เป็นข้อความที่จัดรูปแบบแล้ว
Gemini app บน macOS	คำสั่งเสียงที่ทำงานร่วมกับบริบทบนหน้าจอ
Google Antigravity	การถอดเสียงที่ใช้บริบทบนหน้าจอและประวัติการแชท
Chrome	ระบุว่ากำลังจะมาเร็วๆ นี้ สำหรับการพิมพ์ด้วยเสียงในช่องกรอกข้อมูลใดๆ

คำอธิบายบน macOS แสดงให้เห็นถึงการทำงานในลักษณะเอเจนต์มากที่สุดในบรรดาทั้งหมด โดย Google กล่าวว่าโมเดลนี้ช่วยให้ "การสรุปไฟล์ในเครื่อง การนำข้อความไปใช้ใหม่ในแอปต่างๆ หรือการสร้างรูปภาพตรงตำแหน่งเคอร์เซอร์ของคุณ" เป็นเรื่องง่ายดาย โดยทั้งหมดนี้ทำงานด้วยเสียงเพียงอย่างเดียว

มีแพลตฟอร์มสำหรับนักพัฒนาหลายรายที่ระบุว่ากำลังพัฒนาต่อยอดบน Live API รวมถึง LangChain, LiveKit, Pipecat และ Vercel

มีข้อสังเกตเกี่ยวกับการเข้าถึงจุดหนึ่งที่อาจมองข้ามได้ง่าย เส้นทาง API ทั้งสองมี Model ID และจุดเชื่อมต่อแยกกัน ดังนั้น การสร้างระบบคำบรรยายสดและการสร้างระบบจัดเก็บข้อมูลการประชุมจึงเป็นการเชื่อมต่อระบบสองส่วนแยกกัน ไม่ใช่ส่วนเดียว

สิ่งที่ประกาศนี้ไม่ได้ครอบคลุม

นี่คือจุดที่บทถอดเสียงเริ่มไม่เพียงพออีกต่อไป และช่องว่างนี้เป็นสิ่งสำคัญที่ควรระบุให้ชัดเจนตรงไปตรงมา แทนที่จะเป็นการคาดเดา

หน้าประกาศดังกล่าวอธิบายถึงผลลัพธ์ที่เป็นข้อความเท่านั้น ไม่ได้อธิบายถึงการสร้างสเปรดชีต แผนภูมิ สไลด์นำเสนอ หรือรายงานที่เป็นลายลักษณ์อักษรจากเสียง โดยคำว่า spreadsheet, Excel, CSV, slide, deck, report และ dashboard ไม่ปรากฏอยู่เลยในประกาศนั้น

สิ่งที่ประกาศระบุไว้คือการมอบหมายงาน โดยโมเดลจะส่งต่องานวิเคราะห์ไฟล์และการสร้างรูปภาพไปยังโมเดล Gemini อื่นๆ ดังนั้น ผลงานขั้นสุดท้ายจึงถูกประกอบขึ้นที่อื่น โดยเครื่องมืออื่น

นั่นคือการออกแบบที่สมเหตุสมผล และยังเป็นเหตุผลว่าทำไมบทถอดเสียงที่ดีเพียงอย่างเดียวจึงไม่สามารถตอบโจทย์การประชุมได้อย่างครบวงจร

การเปลี่ยนบทถอดเสียงให้เป็นสิ่งที่คุณสามารถส่งต่อได้

บทถอดเสียงจะบันทึกสิ่งที่พูดคุยกัน แต่บันทึกการประชุมมักต้องการสิ่งเพิ่มเติมอีกสามอย่าง ได้แก่ ตัวเลขที่ปรากฏบนหน้าจอ การตัดสินใจ และผู้รับผิดชอบในขั้นตอนต่อไป

Powerdrill Bloom เข้ามาตอบโจทย์ในส่วนหลังนี้ คุณสามารถอัปโหลดไฟล์เสียงและไฟล์ที่เป็นหัวข้อหลักของการประชุม จากนั้นอธิบายด้วยภาษาธรรมชาติว่าคุณต้องการข้อมูลอะไรจากไฟล์เหล่านั้น

หน้า speech to text ระบุถึงการอัปโหลดไฟล์เสียงในรูปแบบ .mp3, .mp4, .m4a, .webm และรูปแบบอื่นๆ อีกหลายประเภท โดยระบุว่าฟีเจอร์นี้ "สามารถดึงบทถอดเสียง บทสรุป และประเด็นสำคัญจากเสียงของคุณได้ภายในไม่กี่วินาที"

เพื่อความเป็นธรรมในอีกมุมหนึ่ง หน้าดังกล่าวไม่ได้ระบุถึงการระบุตัวผู้พูด การประทับเวลาในระดับคำ หรือการสตรีมมิงแบบเรียลไทม์ ซึ่งสิ่งเหล่านี้คือสิ่งที่ Google เพิ่งเปิดตัว หากคุณต้องการผลลัพธ์ที่มีการแยกแยะผู้พูดและประทับเวลาจากการโทรคุยกันสามคน โมเดลใหม่นี้จะเป็นเครื่องมือที่ดีกว่าสำหรับขั้นตอนนั้น

จุดที่เครื่องมือทั้งสองไม่มีความทับซ้อนกันคือผลงานขั้นสุดท้าย หน้า AI report generator ครอบคลุมถึงการเปลี่ยนไฟล์ต้นฉบับให้เป็นรายงานที่เป็นลายลักษณ์อักษร และการส่งออกเป็นเอกสาร Office มีระบุไว้ในแผน Pro

ทางเลือกอื่นที่ควรทราบ

หากเป้าหมายของคุณคือการบันทึกการประชุมมากกว่าการใช้อินเตอร์เฟสด้วยเสียง ก็ยังมีอีกสามเส้นทางให้เลือก

การสรุปผลของแพลตฟอร์มการประชุมเอง Microsoft Teams จะรวบรวมไฟล์บันทึก ไฟล์ที่แชร์ บันทึกย่อ วาระการประชุม และงานที่ต้องติดตามผลไว้ในที่เดียวหลังจากการบันทึกกิจกรรมใดๆ โดยฟีเจอร์การสรุปผลอัจฉริยะจำเป็นต้องใช้ Teams Premium หรือสิทธิ์การใช้งาน Copilot

ระบบจดบันทึกเฉพาะทาง ระบบเหล่านี้จะเข้าร่วมในการโทร สร้างบทสรุป และเก็บข้อมูลบันทึกไว้ในผลิตภัณฑ์ของตนเอง เหมาะอย่างยิ่งเมื่อตัวการประชุมเองคือผลงานที่ต้องการเก็บรักษา

ผลลัพธ์ข้อความร่วมกับไฟล์ต้นฉบับของคุณ วิธีนี้อาจใช้เวลาตั้งค่าช้ากว่า แต่เป็นเส้นทางเดียวที่ตัวเลขในรายงานที่เขียนขึ้นจะมาจากไฟล์ที่ส่งออกโดยตรง แทนที่จะมาจากการที่ใครบางคนอ่านออกเสียงให้ฟัง

วิธีการใดจะเหมาะสมนั้นขึ้นอยู่กับคำถามเดียว: ส่วนที่มีค่าที่สุดของการประชุมคือสิ่งที่ผู้คนพูด หรือข้อมูลที่แสดงออกมา? สามเส้นทางแรกตอบโจทย์ส่วนแรกได้ดี มีเพียงเส้นทางสุดท้ายเท่านั้นที่ตอบโจทย์ส่วนหลัง

จากบทถอดเสียงสู่ผลงานขั้นสุดท้าย

Gemini 3.5 Transcribe ถือเป็นก้าวสำคัญอย่างแท้จริงในการแก้ปัญหาเฉพาะจุด ข้อความที่สะอาดขึ้น การระบุตัวผู้พูดได้สูงสุดสามคน การประทับเวลาในระดับคำ และการรองรับภาษามากกว่า 85 ภาษา ทั้งหมดนี้ช่วยลดขั้นตอนการแก้ไขที่เคยต้องทำหลังจากการบันทึกเสียงทุกครั้ง

สิ่งที่โมเดลนี้ไม่ได้ทำคือการตัดสินว่าการประชุมนั้นสร้างผลลัพธ์อะไรออกมา ซึ่งสิ่งนั้นยังคงต้องมาจากข้อมูลที่อยู่เบื้องหลังการสนทนา นั่นคือเหตุผลที่บทถอดเสียงและไฟล์ต้นฉบับควรจะถูกจัดเก็บไว้ในที่เดียวกัน

การเปรียบเทียบกับ Gemini Deep Research ของเราครอบคลุมถึงด้านการวิจัยของคำถามเดียวกันนี้ หากต้องการเปลี่ยนไฟล์บันทึกเสียงและไฟล์ต้นฉบับให้เป็นบทสรุปที่สมบูรณ์ ลองใช้ Powerdrill Bloom

ข้อมูล ณ วันที่ 31 สิงหาคม 2026 อ้างอิงจากหน้าประกาศของ Google

คำถามที่พบบ่อย

Gemini 3.5 Transcribe คืออะไร?

คือโมเดลแปลงเสียงเป็นข้อความของ Google ที่ประกาศเปิดตัวเมื่อวันที่ 26 สิงหาคม 2026 โดย Google อธิบายว่าเป็นโมเดลแปลงเสียงเป็นข้อความที่แม่นยำที่สุดในปัจจุบัน ซึ่งสามารถแปลงเสียงดิบให้เป็นข้อความที่ขัดเกลาและจัดรูปแบบแล้วได้

Gemini 3.5 Transcribe มีความแม่นยำแค่ไหน?

Google เผยแพร่อัตราความผิดพลาดของคำเฉลี่ยอยู่ที่ 4.0% สำหรับการสตรีมมิง และ 2.6% สำหรับกรณีการใช้งานแบบไม่ใช่สตรีมมิง จากการวัดผลโดย Artificial Analysis ส่วนในการทดสอบมาตรฐาน FLEURS ตัวเลขจะอยู่ที่ 5.50% และ 5.04%

สามารถระบุตัวผู้พูดได้สูงสุดกี่คน?

สูงสุดสามคนในเสียงที่บันทึกไว้ล่วงหน้า พร้อมการประทับเวลา โดย Google ระบุว่าการรองรับผู้พูดมากกว่าสามคนนั้นยังอยู่ในขั้นทดลอง

ฉันจะสามารถเข้าใช้งาน Gemini 3.5 Transcribe ได้อย่างไร?

ผ่านทาง Gemini API ใน Google AI Studio และ Gemini Enterprise Agent Platform นอกจากนี้ยังขับเคลื่อนฟีเจอร์เสียงใน Gboard บน Android, แอป Gemini บน macOS และ Google Antigravity โดยมีการระบุว่า Chrome จะตามมาในเร็วๆ นี้

โมเดลนี้จะเขียนบทสรุปการประชุมให้ฉันด้วยหรือไม่?

ประกาศดังกล่าวอธิบายถึงการถอดเสียงและการมอบหมายงานไปยังโมเดล Gemini อื่นๆ มากกว่าการสร้างเอกสารที่เสร็จสมบูรณ์ การสร้างบันทึกที่เป็นลายลักษณ์อักษรพร้อมตัวเลขที่เกี่ยวข้องนั้นเป็นขั้นตอนที่แยกต่างหาก และจำเป็นต้องใช้ทั้งไฟล์ต้นฉบับและไฟล์เสียงร่วมกัน