谷歌发布 Gemini 3.5 Transcribe，语音转文本更精准

谷歌 DeepMind 今日发布 Gemini 3.5 Transcribe，这是其迄今最精准的语音转文本模型。与传统语音识别系统不同，它不只是把语音转成文字，而是能将原始音频直接转换为整洁、带格式的文本，即使在嘈杂环境、复杂术语和口语自我修正的场景下，也能保持高质量转写。

此前，这款模型已经落地到消费者产品中，例如 Android 上的 Rambler 功能和 macOS 版 Gemini 应用 的新语音能力。现在，开发者也可以通过 Google AI Studio 中的 Gemini API 和 Gemini Enterprise Agent Platform 使用该模型。

Gemini 3.5 Transcribe 提供两套 API：Live API 支持亚秒级延迟的双向流式传输，适合实时语音应用；Interactions API 面向预录音频，能输出说话人标注和逐词时间戳。

核心能力

• 智能转录：自动清理“嗯”“啊”等填充词，保留“周二见面——不，周三”这类自我修正，并自动排版。
• 函数调用：可把图像生成、文件分析等复杂任务委托给其他 Gemini 模型，目前已在 macOS 版 Gemini 应用中开放。
• 更精准：据 Artificial Analysis 评测，流式与非流式场景的平均词错误率（WER）分别为 4.0% 和 2.6%，对邮政编码、订单号等字母数字实体也能准确识别。
• 自定义词汇：能按用户提供的词表识别专业术语和特殊拼写。
• 全球语言：自动检测并转录 85 种以上语言，支持地域口音和方言变体。
• 多说话人识别：预录音频最多可准确区分三人（三人以上为实验功能）。

与上一代 Chirp 3 相比，Gemini 3.5 Transcribe 的词错误率更低，最终转录时间缩短了 70%。在 FLEURS 多语言基准上，流式模式 WER 为 5.50%，非流式模式为 5.04%。

产品落地

新模型已在多个谷歌产品中发挥作用：

• Gboard（Android）通过 Rambler 功能把口语转为排版良好的文本，还能用语音修改错别字、调整文风。
• Google Antigravity 会结合屏幕上下文和聊天记录，提升文件名、Agent 思考过程、活动文档等内容的转写准确率。
• Google AI Studio 的 Build 模式下，可以直接用语音编写应用。
• macOS 版 Gemini 应用可结合屏幕上下文执行复杂工作流，例如调用后台 Gemini 模型来汇总本地文件、跨应用改写文本，或直接在光标处生成图片。
• Chrome 即将支持在任意网页输入框中语音输入。

生态与反馈

开发者平台 Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel 和 Vision Agents 已接入 Gemini Live API，帮助开发者快速构建高可用语音交互产品。Vivo、Intellitek Health、Lingopal 等公司也反馈了积极评价，认为其延迟、准确率和语言支持令人印象深刻。