VoxLab

使用說明
← 回到工具

VoxLab 使用說明

網址:https://voxlab-six.vercel.app


這是什麼

VoxLab 是拿 Google 最新語音轉文字模型(gemini-3.5-transcribe)做的實驗場,目前有五個模式對應五種應用情境,後續會視狀況加入其他場景與功能。

這個網站採用 BYOK(Bring Your Own Key)模式:使用者自己貼一把 Google 的 API Key,轉錄費用算在自己的 Google 帳號上,網站本身不經手任何金流。


開始使用前:設定 API Key

打開網站,右上角會看到一個小標籤:

  • 灰點「尚未設定 API Key」:還不能用
  • 綠點「API Key 已設定」:可以開始轉錄了

點這個標籤會打開設定面板:

  1. 如果還沒有 Key,點面板裡的連結去 Google AI Studio 申請一把(免費)
  2. 把 Key 貼進輸入框,預設只保留在這個分頁的 session;如果要跨分頁或重開瀏覽器保留,再勾選「記住此裝置」後儲存。

Key 只存在你自己這台電腦的瀏覽器裡,不會傳到任何伺服器;設定面板也提供「清除 API Key」。不勾選記住時,關閉分頁就要重貼一次。

安全建議:申請完 Key 之後,去 Google Cloud 後台把這把 Key 限制成「只能呼叫 Gemini API」,並設定每日花費上限,這樣就算 Key 不小心外流,也不會被拿去亂花錢。

免費額度說明(2026-08-29 查證 Google 官方計費頁):申請 Key 不需要先綁信用卡,新帳號預設就是「免費層級」,gemini-3.5-transcribe 這個模型本身就在免費層級名單內,可以直接用。要綁卡是「升級到付費層級」時才需要的動作。

但有一個要注意的但書:免費層級的音檔/轉錄內容,官方明講「會被拿去改善 Google 產品」(也就是可能被用來訓練模型);付費層級(綁卡+連結帳單帳戶)才不會。如果要拿來轉錄比較機密的內容(例如公司會議錄音),建議先評估要不要升級付費層級,不要用免費 Key 處理敏感資料。

免費額度具體能用多少(2026-08-29 查證,沒有確切答案):Google 這次把免費層級的用量表格從公開文件頁面拿掉了,gemini-3.5-transcribe 本身查不到官方公布的 RPM/RPD/TPM 數字,準確數字只能自己登入 AI Studio 速率限制頁面 查看(因帳號而異)。查到同代對話模型 gemini-3.5-flash 的第三方參考數字(約每分鐘 15 次、每天 1,500 次、每分鐘 100 萬 token),但那是對話模型不是轉錄模型,只能當「大概是這個量級」的參考,不是保證值。


五個模式,怎麼用、適合什麼場合

每個模式的操作流程都一樣:選檔案(或按「使用範例音檔測試」先看看長什麼樣)→ 按「開始轉錄」→ 等結果。差別在輸出格式跟能不能開的功能。

01 · 會議逐字稿+AI 摘要

適合:開會錄音、訪談錄音,想要一份「誰在什麼時候說了什麼」的紀錄。

操作:預設會打開「說話者分離」,最多能分辨 8 個人,但官方自己講 3 人以上準確度會下降,保守估計 2 人的會議最準。這個開關可以自己關掉——關掉會換成單純的乾淨逐字稿(去掉「嗯」「啊」之類贅字),但就看不出是誰講的了,兩者不能同時要。

AI 摘要:逐字稿出來後,下面有一顆「產生 AI 摘要」按鈕。轉錄模型本身不會寫摘要,按下去才會用你的 API Key 再呼叫一次 Gemini 文字模型,整理成「重點摘要/決議事項/待辦事項」三段,一律用繁體中文輸出。這一步要你自己按,因為會多花一點點錢(一般會議通常不到 0.01 美金)。摘要做好之後,「下載 .txt」會把摘要放在逐字稿前面一起存。如果第一個模型剛好不能用(例如你的 Key 沒開放),會自動換下一個備援模型。摘要是 AI 整理的,可能漏掉細節,重要內容請對照逐字稿。

限制:音檔上限 1 小時。開著說話者分離時,超過 12 分鐘的檔案會自動分段處理(見下面「長音檔自動分段」)。超過上限的檔案會在瀏覽器端直接拒絕,不會上傳,也不會假裝只處理前半段,請先自行裁切。

講者命名:逐字稿上方有「講者名稱」面板,可以把「講者A」改成真名(例如「主持人」「小王」),畫面、下載的 .txt 跟 AI 摘要都會改用這個名字。兩個講者填同一個名字就會合併成同一人——長音檔分段後,同一個人偶爾會被拆成兩個編號(實測 4 人對談出現 6 個講者標籤),用這招就能修正。

適用場景:需要正式會議記錄、多人訪談整理的工作情境,比逐字聽打省時間。


02 · 歌詞逐字對齊 LRC

適合:幫一首歌做卡拉 OK 字幕那種「逐字對拍」的 LRC 檔,比舊方法的「一整句對一個時間點」精準很多,可以做到「這個字什麼時候唱出來」。

操作:這個模式沒有開關,字級時間戳是必要條件,本來就會開。轉錄完可以直接按「下載 .lrc」存檔。

限制:音檔上限 1 小時;超過 12 分鐘會自動分段處理(見下面「長音檔自動分段」)。超過上限會在瀏覽器端直接拒絕,不會上傳。

適用場景:卡拉 OK 字幕製作、歌詞網站,需要字級精準對齊的場合。


03 · 影片字幕產生器 SRT

適合:幫影片自動產生字幕檔,時間點精準到字,可以直接匯入剪輯軟體燒字幕。

操作:字級時間戳也是必要條件。另外多一個「說話者分離」的選用開關(預設關閉)——訪談類影片開了之後,每則字幕前面會標出講者(例如「講者A:」),可以在結果上方的「講者名稱」面板改成「主持人」「受訪者」。轉錄完按「下載 .srt」。斷句會避免產生太短、來不及看的字幕,「Hi,」「對,」這種很短的詞會跟下一句併在一起。

限制:音檔上限 1 小時;超過 12 分鐘會自動分段處理(見下面「長音檔自動分段」)。超過上限會在瀏覽器端直接拒絕,不會上傳。

適用場景:影片後製、字幕燒錄,需要精準時間戳的剪輯工作流程。


04 · 口述轉乾淨文字稿

適合:講話錄成筆記、備忘錄,想要一份讀起來像正式文字(不是逐字稿)的乾淨版本——AI 會自動把「呃」「那個那個」這些贅字拿掉,講錯話又改口的地方也會幫你修掉,直接生成通順的文字。

操作:這個模式沒有任何開關,單純選檔案轉錄。

限制:不支援時間戳,也不支援說話者分離(官方的硬限制)。音檔上限維持 1 小時(因為沒開那兩個功能,不會被砍到 30 分鐘)。

適用場景:語音備忘錄、口述筆記,想快速產出可讀文字而不是逐字稿的場合。


05 · 語言跟讀切段

適合:學語言的人常用的「跟讀」練習——把一段語言教材切成一句一句的小段落,每段都能點擊單獨播放,方便反覆練習。

操作:字級時間戳必要,切段比舊方法更細(可以切到接近單字級別,不只是整句)。結果會顯示成一個列表,每一列有播放鍵跟時間區間;真實檔案會保留在瀏覽器記憶體中,點擊片段即可跳播,卸載頁面時會釋放暫存 URL。

限制:音檔上限 1 小時;超過 12 分鐘會自動分段處理(見下面「長音檔自動分段」)。超過上限會在瀏覽器端直接拒絕,不會上傳。

適用場景:語言學習跟讀練習,需要比整句更細的切段單位。


中文自動轉成繁體

Google 這個模型轉出來的中文一律是簡體字(官方支援語言表也只有簡體中文),目前沒有參數可以要求它輸出繁體。所以 VoxLab 會在你的瀏覽器裡自動把結果轉成繁體,並換成台灣慣用詞,例如「软件」→「軟體」、「信息」→「資訊」、「U盘」→「隨身碟」。

  • 結果上方有「中文顯示」切換鈕:繁體(台灣用語)/原始輸出(簡體),可以隨時切回原文對照。
  • 下載的 .txt/.lrc/.srt 跟畫面上一樣,選繁體就存繁體。「下載 .json」存的則永遠是 Google 回傳的原始內容。
  • 轉換是逐字對應的,時間戳不會因為轉換而跑掉,LRC 歌詞跟 SRT 字幕都可以放心用。
  • 偵測到日文假名的結果不會轉(避免把日文漢字改壞),純英文也不會出現這個切換鈕。
  • 轉換是用詞庫對照,不是 AI 重寫,少數一詞多義的字(例如「后」可能是「後」或「皇后」的「后」)偶爾會轉錯,重要文件請再看一遍。

長音檔自動分段

實測發現,一次丟很長的音檔給 Google(尤其是開了講者或時間戳的模式),大約十幾分鐘後就可能開始重複循環、講者標籤消失。所以 01、02、03、05 這四個有時間戳的模式,檔案超過 12 分鐘時會自動分段:

  • 在你的瀏覽器裡把音檔切成約 10 分鐘一段,一段一段依序送去轉錄,再自動接回一份完整結果。就像請人聽打時,一次只交一小段給他,不要整本丟過去。
  • 相鄰兩段刻意重疊 20 秒:切點附近的話兩邊都聽得到,接回來時從中間切開,不會有半句被切掉,也不會重複。
  • 講者標籤靠這 20 秒重疊區自動對應:前一段說是「講者A」、後一段在同一時間說是「講者B」,就知道其實是同一個人。某位講者剛好在重疊那 20 秒裡沒說話時,可能被當成一位新講者,畫面上會有提醒。
  • 因為重疊區會被算兩次,費用會稍微多一點(每多一段多算 20 秒),費用估算面板已經把這部分算進去。
  • 遇到 Google 回報忙碌或額度用太快,會自動等 20~60 秒後重試同一段,不用重新開始。
  • 進度條會顯示「第 2/4 段」這種進度;如果某一段被 Google 標記「未完整」,紅字警告會寫出是第幾段。
  • 分段需要瀏覽器把整個音檔解碼,建議用電腦操作;手機記憶體較小,太長的檔案可能會失敗。如果出現「瀏覽器無法解碼這個檔案」,請改用 mp3/m4a/wav,或先把音檔裁到 30 分鐘內。

04 口述轉乾淨文字稿(Smart 模式)沒有時間戳,沒辦法精準接回,所以不分段,維持一次處理、上限 1 小時。


費用怎麼看

每個模式畫面中間都有一塊「費用估算」面板,四個數字:

  • 計費時長:這次轉錄實際會算錢的長度;真實檔案在讀取長度前會顯示「讀取中…」,超過模式上限的檔案會直接拒絕,不會上傳或假裝只處理前半段。長音檔自動分段時,這裡會包含段與段之間重疊的秒數,所以會比檔案本身長一點點。
  • AUDIO INPUT TOKENS / TEXT OUTPUT TOKENS:Google 算錢的單位,類似手機月租算「用了多少 MB 流量」的概念,音檔愈長、轉出來的文字愈多,這兩個數字就愈大
  • 預估費用:換算成美金大概要花多少錢,這是「估算」不是「保證」,真正花多少以 Google 帳單為準

這個數字算的是你自己的 API Key 花的錢,放這個面板是讓你使用前就能掌握這次轉錄大概要花多少。01 模式另外按「產生 AI 摘要」的費用沒有算在這裡(通常不到 0.01 美金)。


「查看原始 JSON 回應」是什麼

每個模式結果區塊最下面有一行小字「查看原始 JSON 回應」,點開會看到這次呼叫 API 送出去的參數,還有 Google 回傳的完整內容(如果失敗了,也會看到 Google 給的錯誤訊息原文)。

平常不用管這個,但如果哪個模式一直失敗、或者結果看起來怪怪的,打開這裡對照,通常能看出問題出在哪(例如你的 Key 沒設定好、或者音檔格式 Google 不支援)。


目前已知的限制(不是 bug,是 Google 這個新模型本身的限制)

  1. 一開「說話者分離」或「字級時間戳」,Google 單次只能處理 30 分鐘——VoxLab 用「長音檔自動分段」繞過這個限制,整個檔案可以到 1 小時。
  2. 「乾淨文字」跟「講者標籤/時間戳」不能同時要——Smart 模式(去贅字)沒辦法跟 verbatim 模式(保留原始內容+時間戳/講者)同時開,這是 Google API 本身的硬限制。
  3. 說話者分離超過 3 人準確度會下降——這是 Google 官方自己講的,兩份官方資料甚至互相矛盾(一份說最多 8 人、一份說 3 人以上算實驗性),保守使用建議只信任 2~3 人的場景。
  4. 模型還很新(2026-08-26 發布,2026-10 查證官方已標示為正式版 Stable),但轉錄品質與限制仍可能隨 Google 更新而改變。
  5. 中文轉錄原始輸出是簡體字,就算輸入的是台灣腔調的語音也一樣,Google 沒有提供輸出繁體的參數。VoxLab 會自動轉成繁體(台灣用語),見上面「中文自動轉成繁體」。
  6. 長音檔(實測約十幾分鐘起)一次送出有機率不穩定:內容重複循環、講者標籤消失、時間戳錯亂,Google 會把這種情況標記成「未完整」,畫面上會有紅字警告。有時間戳的模式現在會自動切成約 10 分鐘一段來避開這個問題(見「長音檔自動分段」);04 Smart 模式不分段,長檔案仍有機會遇到。
  7. 粵語(廣東話)辨識品質普通:2026-10-13 用香港電台節目實測,Google 會把廣東話轉成偏書面中文的簡體字(VoxLab 會再轉繁體),但錯字明顯比普通話多(例如詩名《兵車行》被聽成「兵歸行」),粵語內容建議只當草稿。

更新紀錄

日期異動內容
2026-10-13用網路上的真實音檔(台灣中文 4 人 Podcast 21.8 分鐘、粵語電台 15 分鐘、英文教學節目)實測後修正:① 字幕/逐字稿不再被逗號切成 0.1 秒的碎片(例如單獨一則「So,」),句子太短會併進下一句;② 新增「講者名稱」面板,可改真名,同名即合併,修正長音檔分段後講者被拆成兩個編號的問題;③ 03 字幕開啟說話者分離時,SRT 每則字幕前面真的會標出講者(之前開了沒有效果);④ 04 口述清理的結果自動分段落,不再是一整塊文字
2026-10-13四項更新:① 中文結果自動轉成繁體(台灣用語),可切回原始簡體對照,時間戳不受影響;② 01 模式真的接上「產生 AI 摘要」(重點/決議/待辦,模型不能用時自動換備援);③ 有時間戳的模式超過 12 分鐘自動分段轉錄,上限從 30 分鐘放寬到 1 小時,講者靠重疊區跨段對應,遇到忙碌自動重試;④ 新增「關於與隱私」頁(頁尾連結),說明資料流向;轉錄完成後會順手請 Google 刪除暫存音檔
2026-10-05API Key 預設只存在目前分頁,勾「記住此裝置」才長期保存;超過上限的檔案直接在瀏覽器擋下不上傳;05 跟讀片段可以點擊播放;結果新增下載與複製按鈕
2026-08-29用一段 34 分鐘、雙人對話的測試音檔實測長音檔情境,發現 Google 回應會標記 status: incomplete(內容重複循環、講者標籤消失),畫面上補了警告提示;同時發現中文轉錄目前只會輸出簡體字,補進已知限制
2026-08-29用真的 API Key 完整測過五個模式,發現原本猜的回應欄位(output_text)是錯的,改成正確路徑後,會議逐字稿的講者標籤、LRC、SRT、跟讀片段都能真的解析出正確格式,不再只是整段純文字。過程中也發現:01 模式的說話者分離要跟字級時間戳一起送出才會有講者資訊;AI 摘要這塊還沒真的接上
2026-08-29拿掉「這是什麼」跟五個模式底下具體點名既有 App(TranscribeHub/Lyrlo/HardCut/Singlo/Sumlo/Shadowlo)的整合規劃內容,改成中性的「適用場景」描述,讓公開頁面內容不涉及內部規劃脈絡
2026-08-29網頁上加「使用說明」頁面(/guide),左側頻道列表最下面跟頁尾都有連結。頁面直接讀這份 使用說明.md 渲染,不是複製一份文字,改這份檔案下次部署就會自動同步
2026-08-29查證免費層級具體用量限制:官方已不公開 RPM/RPD/TPM 數字表格,gemini-3.5-transcribe 查無確切數字,只能自行登入 AI Studio 查看;補進參考量級與查詢方式
2026-08-29查證確認申請 API Key 不需綁信用卡、gemini-3.5-transcribe 免費層級可直接用,但免費層級內容會被 Google 拿去訓練模型,補進「設定 API Key」章節提醒
2026-08-29初版建立:五個模式(會議逐字稿/歌詞 LRC/字幕 SRT/口述清理/跟讀切段)全部上線;BYOK 架構(使用者自帶 API Key);部署到 https://voxlab-six.vercel.app