Google 這次公布的是甚麼

Watch Duty 是美國一個由在職及退休消防員、調度員與救援人員營運的非牟利山火警報 App。Google 於 2026 年 11 月 20 日在官方博客交代,透過 Google.org Fellowship 派出工程師與研究人員全職進駐該機構六個月,用超過 20,000 小時歷史無線電錄音,建立一個以 Gemini 為核心的工具:先削掉厚重雜音,再把消防戰術術語轉成可搜尋的文字。

Google 給出的數字包括:劣化 VHF 音訊的字錯率由 38% 降至 22.34%;每日從約 400 條活躍頻道轉錄超過 200 小時語音;系統按設計可同時處理逾 10,000 條頻道;新火警訊號可在 30 秒內送到值班 reporter。志願 reporter 對收音轉錄工具的滿意度由 35.3% 升至 92.3%。2026 年 7 月華盛頓 Railroad Fire 夜間起火,首個 911 調度訊息經工具轉錄並在 30 秒內標記,成為該機構首次在夜間發出可穿透「請勿打擾」的 Critical Alert。背景還包括 2024 年 200 萬美元 Google.org 資助及 30 萬美元 Google Cloud 額度。

必須劃清界線:這是一個為單一非牟利機構度身訂造的項目,不是公開發售、有價目表、有支援渠道的產品。是否對外開放、香港能否使用、有無企業版本,來源完全沒有交代,屬未知。Google 也沒有說它原生接駁 CRM、工單或聯絡中心平台。以下講的接駁方式全部是我們的推論,不是來源確認的整合。

真正值得抄的不是模型,是三條界線

(一)延遲預算要有明確上限。30 秒之所以被寫進公告,是因為它落在「調度員仍然來得及反應」的時間窗內。企業做語音轉工單時,同樣要先寫死一個數字:由錄音結束到草稿進入隊列,上限是 60 秒還是 15 分鐘?沒有這個數字,「AI 自動化」無法驗收。

(二)22.34% 不是準確,是可用。每四至五個字錯一個,對地址、單位號碼、車牌、金額這類欄位,直接寫入系統等於製造投訴。這個項目成立的關鍵不是模型夠準,而是 reporter 仍然逐單核實:AI 把「當時有無人在聽」變成「之後一定有人核對」。

(三)工具是用自己的錄音養出來的。20,000 小時歷史錄音不是點綴,是調校的原料;沒有自家語料,任何通用模型都答不出「呢句係邊個講、邊個地點」。

假設例子:300 段對講機錄音怎樣變成工單草稿

以下為純假設情境,不代表任何客戶或實際成效。一間假設的香港設施管理公司,每更約有 300 段外勤對講機錄音,內容是「幾座幾樓邊部升降機困人」、「水浸邊個位置」一類通報。現時由一位主管聽錄音、抄落 Excel、再分派。

改造後流程:錄音自動上傳 → 語音轉文字(中英夾雜要自行調校)→ 只抽取三個欄位(地點、時間、事項類別)→ 信心分數低於門檻的段落整段進人手隊列 → 主管在隊列中覆核並按「確認」才生成工單 → 原音、逐字稿、修改前後版本一併保留。

注意這條流程裡沒有任何一步自動派工。派工仍然是人的動作,AI 只負責把「聽 300 段錄音」壓縮成「核 300 段草稿」。若連派工都自動化,一個把「3 座」聽成「13 座」的錯誤就變成真實的人手調動。

決策表:哪些工序可以先做

| 工序 | 適合度 | 原因 | | 通報錄音轉草稿,人手確認後才入單 | 較適合 | 欄位明確、有覆核人、錯誤成本可控 | | 客戶電話內容轉 CRM 記錄 | 視情況 | 涉及個人資料,要先定保存期與權限 | | 錄音直接觸發派工或收費 | 不建議 | 二字頭字錯率會直接造成營運錯誤 | | 索償、醫療、法律用途逐字稿 | 不建議 | 需要可認證準確度,超出工具範圍 |

限制,以及香港要另行驗證的地方

最重要一點:22.34% 是英文消防術語、特定無線電音質下的結果,不能直接搬到廣東話。香港場景常見中英夾雜(「B 座 lift 房」)、地名簡稱、行業術語,通用語音模型的表現必須用自家錄音重新量度,而不是引用別人的百分比。

其次,來源沒有交代資料儲存位置、保留期,亦沒有說明上傳音訊會否用於模型訓練。若錄音含客戶姓名、地址或投訴內容,這些屬個人資料,需按《個人資料(私隱)條例》自行評估,不能假設供應商已處理好。

第三,Google 公布的是自建工具的成果,不是可購買的 SKU。香港企業若想複製,實質是一項系統開發工作:音訊接入、領域詞彙表、欄位抽取、覆核介面、審計紀錄,每一項都要報價與驗收,沒有現成價錢可參考。

人手接手與驗收指標

接手規則要寫成可執行條件,而不是「有需要時人手處理」:信心分數低於門檻即轉人;涉及人身安全、金錢或投訴的類別一律轉人;同一段錄音被修改超過兩處,即標記為模型需重新調校。

驗收可以這樣寫(以 100 段自家錄音為樣本):

  • 地點欄位在人工覆核後準確率達 95% 以上;
  • 未達信心門檻的段落 100% 進入人手隊列,無一遺漏;
  • 由錄音結束到草稿入隊,中位數 60 秒內、第 95 百分位 3 分鐘內;
  • 人手修改率低於 20%,並逐週下降;
  • 每個個案可追溯原音、逐字稿與修改紀錄;
  • 自動派工數目為零。

30 日內可以做的四步

第一週:抽 100 段真實錄音,由人手寫出正確答案,作為基準。第二週:只用這 100 段測試,暫時不談採購。第三週:把覆核介面做出來,沒有介面,測試結果無法落地。第四週:用同一批樣本重跑,比較修改率與延遲,才決定是否擴大範圍。

若想對照其他文件類自動化的做法,可參考 /blog/ai-email-to-task-intake-hk-sme-2026/ 的電郵轉待辦流程,以及 /blog/ai-invoice-document-processing-hk/ 的欄位核對與信心分數思路。三者共通點與這單新聞一樣:AI 負責把雜亂輸入整理成候選項,人負責按下確認。