Google 发布 Gemini 3.5 Transcribe 语音转写模型，支持实时流式与多语种
速览
Google 推出新一代语音转写模型 Gemini 3.5 Transcribe，主打高精度实时转写与智能清洗。该模型在流式和非流式场景下词错误率分别降至 4.0% 和 2.6%，支持超过 85 种语言及最多三人说话人识别。开发者可通过 Gemini API、Google AI Studio 等渠道调用，用于构建语音代理、实时字幕等应用。
Google 今天发布了 Gemini 3.5 Transcribe，这是其最新的语音转文本模型，专门面向高精度实时转写场景。与常见的语音识别系统不同，该模型能直接处理带背景噪音、专业术语和口语中断的原始音频，输出干净、格式化的文本。
Gemini 3.5 Transcribe 提供两种 API 接入方式：Live API 支持双向实时流式传输，延迟低于一秒；Interactions API 则处理预录音频，支持说话人归属和词级时间戳。据 Artificial Analysis 的测量，该模型在流式场景下平均词错误率为 4.0%，非流式场景为 2.6%，相比上一代 Chirp 3 模型，最终转写时间缩短了 70%。此外，模型能自动识别超过 85 种语言和地区口音，并支持自定义词汇表以匹配行业术语。
在功能上，模型可智能处理自我纠正（如“周二见——不，周三”）和删除口头禅（“嗯”“啊”），并自动排版。它还支持函数调用，可将图像生成或文件分析等复杂任务委托给其他 Gemini 模型。目前，该模型已集成到 Gemini 应用、Android 的 Rambler 功能、Gboard、Google Antigravity 以及 Chrome 中，Mac 上的 Gemini 应用也能通过语音命令执行摘要、跨应用操作等任务。
对于开发者，模型已上线 Gemini API、Google AI Studio 和 Gemini Enterprise Agent Platform，可直接用于构建语音代理、实时字幕工具或通话后分析管道。Google 表示，未来 Chrome 中将支持在任何网页输入框内“边说边写”，进一步扩展语音交互场景。