当地时间8 月 26 日，Google 正式发布 Gemini 3.5 Transcribe，这是 Gemini 音频（Gemini Audio）产品线的最新语音转文本模型。Google 称其为迄今为止“最精准”的语音转文本模型。
模型地址：谷歌Gemini官网 （海外网站需要科学上网）
一、模型定位：从“逐字记录”到“理解式转录”
与传统语音识别模型不同，Gemini 3.5 Transcribe 并非简单地逐字记录，而是将原始音频直接转换为经过清理和格式化的文本。Google 官方博客将其定位为“专为智能语音交互设计的精确语音转文本模型”。
该模型与此前发布的 Gemini 3.5 Live Translate 同属 Gemini Audio 产品线。据 Google 透露，Gemini 3.5 Transcribe 相比上一代转录模型 Chirp 3 实现了“重大进步”，尤其在多语言性能和词错率方面提升显著。从用户说话到最终生成转录文本，整体速度预计可提升约 70%。
二、核心功能：自我修正、填充词删除、函数调用
Gemini 3.5 Transcribe 的核心能力可概括为五个方面：
1. 智能转录（Smart Transcription）
模型可无缝处理说话过程中的自我纠正——例如用户说“我们周二见面——不，还是周三吧”，模型会自动识别并输出正确的“周三”。同时自动删除“嗯”“呃”“啊”等填充词，并对输出文本进行自动格式化。
2. 函数调用（Function Calling）
模型可将图像生成、文件分析等复杂任务委派给其他 Gemini 模型执行。这一能力目前已在 macOS 版 Gemini 应用中上线。
3. 自定义词汇（Custom Vocabulary）
用户可向模型提供自定义词汇表，使其识别专业术语、特殊拼写及行业专有名称。
4. 多语言支持
模型自动检测并转录超过 85 种语言，并支持地区口音和不同方言。
5. 多说话者识别
在预录音频场景中，模型可为最多三名说话者进行带时间戳的语音归属识别。Google 表示对三名以上说话者的支持目前为实验性功能。
三、性能数据：流式 4.0%、非流式 2.6%
Google 公布了由第三方机构 Artificial Analysis 测量的词错率（Word Error Rate, WER）数据：
| 场景 | 词错率（WER） |
|---|---|
| 实时流式 | 4.0% |
| 非流式（预录音频） | 2.6% |
在 FLEURS 多语言基准上，模型同样全面优于上一代 Chirp 3。Google 还表示，模型在噪声较多的真实环境中具备更好的转写表现，能够准确识别邮政编码、订单号等字母数字实体。
四、应用落地：Gboard Rambler、macOS Gemini、Chrome 即将上线
Gemini 3.5 Transcribe 已进入多条 Google 产品线：
- Android — Gboard Rambler：该模型已为 Android 平台 Gboard 键盘的 Rambler 功能提供支持。Rambler 是 Google 在 5 月宣布的语音输入功能，可将口述想法转化为精炼文本，并支持语音编辑、纠正拼写错误、更改写作风格。目前 Rambler 支持阿拉伯语，需在 Pixel 11 上使用，并在部分国家和地区逐步推出。
- macOS — Gemini 应用：模型已向所有 macOS Gemini 应用用户以英语推出。用户可通过语音让 Gemini 生成图像、查询信息、总结文本、分析文件等。
- Chrome 浏览器（即将上线）：Google 计划将模型引入 Chrome 浏览器，届时用户可在任意网页输入框中直接通过语音输入文字。
此外，模型还将扩展至 Search Live、Gemini Live、Docs、Keep 和 Gmail 等产品。
五、开发者入口：AI Studio 与 Antigravity 公开预览
开发者现可通过以下渠道以公开预览形式使用 Gemini 3.5 Transcribe：
- Google AI Studio：通过 Gemini API 访问
- Google Antigravity：Google 的代理式开发平台
- Gemini Enterprise Agent Platform：企业用户入口
模型通过两套 API 提供服务：
- Live API（
gemini-3.5-transcribe-live）：实时流式接口，支持双向流式传输，延迟低于一秒 - Interactions API（
gemini-3.5-transcribe）：处理预录音频，支持会议、通话录音转写，提供词级时间戳
六、关于 Gemini 3.5 Live 的说明
部分早期报道提及 Google 同时发布了 Gemini 3.5 Live 和 Gemini 3.5 Live Experimental 两款模型。但据 The Verge 后续更新，Google 方面澄清仅 Gemini 3.5 Transcribe 于 8 月 26 日正式发布，另外两款模型并未同步推出。
Gemini 3.5 Transcribe 以 2.6% 的非流式词错率、85+ 语言支持、自我纠正与填充词自动删除等能力，将语音转文本从“听写工具”升级为“理解式转录”方案。配合函数调用能力，模型不仅转写语音，还能将语音指令转化为跨模型的任务执行。随着 Rambler、macOS Gemini 和即将到来的 Chrome 集成逐步铺开，这一模型正在从开发者工具走向广泛的消费级应用场景。
更多信息请参阅官方博客：blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-5-transcribe/
AITOP100-AI资讯频道将持续关注AI行业新闻资讯消息，带来最新AI内容讯息。
想了解AITOP100平台其它版块的内容，请点击下方超链接查看
AI创作大赛 | AI活动 | AI工具集 | AI资讯专区 | AI小说
AITOP100平台官方交流社群二维码：
