谷歌发布语音转录模型Gemini 3.5 Transcribe ：实时低延迟、智能净化口语，85+语言支持

谷歌正式推出全新语音转文本模型 Gemini 3.5 Transcribe，也是目前谷歌精度最高的转录产品，主打智能实时语音交互。不同于传统语音识别难以应对背景噪音、口语卡顿、专业术语的痛点，这款模型能够直接将原始音频，转化成干净规整、经过理解优化后的文本。

• 官方介绍：https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-5-transcribe

目前普通用户已经可以在Android端Rambler、macOS版Gemini客户端体验该能力。开发者则能够通过Google AI Studio、Gemini企业智能体平台，调用API搭建语音代理、实时字幕、通话分析等应用。

双API架构，覆盖实时流式与录音文件处理

模型分成两条独立接口线路，适配两类典型开发场景：

1. 实时流式接口 gemini‑3.5‑transcribe‑live（Live API）
   双向数据流，亚秒级延迟，适合对话交互、直播字幕这类需要即时反馈的语音应用。
2. 预录音频接口 gemini‑3.5‑transcribe（Interactions API）
   处理会议录音、通话回放等已经录制完成的音频；自带说话人区分、逐词时间戳。

核心功能亮点

1、智能化转录，自动优化口语内容

模型识别说话时自我修正的语句，例如“周二见面——不，周三”，自动理顺最终表达；过滤嗯、啊等填充语气词，输出的文本自带标点、大小写等规范格式。

2、支持函数调用，语音可驱动复杂任务

转录模型能够发起函数调用，把图像生成、文档解析等任务交给其他Gemini模型完成，该能力现已登陆macOS Gemini客户端。

3、出色识别精度

实测流式场景词错误率4.0%，预录制音频低至2.6%；嘈杂环境下依旧稳定，可精准识别邮编、订单编号这类字母‑数字混合实体。

4、自定义词汇库

开发者可导入行业专属术语、特殊名称拼写，模型即可适配垂直领域的语音识别需求。

5、多语种、多方言识别

自动检测并转录超过85门语言，兼容不同地区口音。预录音频模式下，最多可精准区分3位说话人并打上时间戳；三人以上的多人会话识别目前属于实验性功能。

相比前代Chirp 3能力大幅升级

对比谷歌上一代转录模型Chirp 3，Gemini 3.5 Transcribe多项指标提升显著：

• 转录完成速度提升70%
• FLEURS基准测试：流式WER 5.50%、非流式WER 5.04%
• 延迟、识别准确率、口语智能处理能力全面优化

全生态落地布局

谷歌已经将转录能力嵌入多款日常产品，打通语音‑屏幕上下文联动：

• Gboard（安卓）‑Rambler功能：语音转写出排版整洁的文字，支持语音直接修改文稿、调整文风
• Antigravity：结合屏幕内容、聊天历史，提升转录准确度，适配文件名、文档内语音指令
• Google AI Studio：语音快速生成代码，赋能语音编程
• macOS Gemini客户端：语音即可总结本地文件、跨应用复用文字、生成图像
• Chrome（即将上线）：网页任意输入框都支持语音口述，起草文案、发送回复、唤起Gemini指令

生态合作伙伴

Agora、LangChain、Vercel、LiveKit等开发平台已经接入Live API，降低开发者搭建实时语音产品的流媒体基础设施成本；Vivo、医疗、语言学习类厂商给出了正向反馈，肯定其延迟表现与多语言能力。

当前开放渠道

• 开发者预览：Google AI Studio、Antigravity，通过Gemini API调用
• 企业预览：Gemini Enterprise Agent Platform，后续将登陆企业客服产品线
• 普通用户：macOS Gemini应用（英文）；安卓Rambler功能（限定地区语言）；Chrome语音输入功能后续上线