# Gemini 3.5 Transcribe 发布：面向实时语音交互的高精度语音转文本模型

- 来源：Google DeepMind：Blog（RSS）
- 发布时间：2026-08-27 01:01
- AIHOT 分数：68
- AIHOT 标记：精选
- AIHOT 链接：https://aihot.virxact.com/items/cmtacq8vz0aedroj24bcix9go
- 原文链接：https://deepmind.google/blog/intelligent-transcription-with-gemini-3-5-transcribe

## 精选理由

相较于上一代 Chirp 3，流式词错率降到 4.0% 且最终转录延迟改善 70%，会影响语音代理和实时字幕方案的成本与体验取舍。

## AI 摘要

Google DeepMind 推出 Gemini 3.5 Transcribe 语音转文本模型，支持流式与非流式两种 API。据 Artificial Analysis 评测，其流式与非流式平均词错率分别为 4.0% 和 2.6%，支持超 85 种语言、自定义词汇及最多三人说话人识别。

## 正文

我们最新的语音转文字模型，专为精准、智能的实时转写而设计。

Diego Melendo Casado

Gemini Audio 工程高级总监

Luke Leonhard

Gemini Audio 幕僚长，代表 Gemini Audio 团队

语音

今天，我们推出 Gemini 3.5 Transcribe——这是我们迄今为止最精准的语音转文字模型，专为智能语音交互而设计。与那些在背景噪音、复杂术语和语流不清清理方面表现不佳的传统语音识别模型不同，Gemini 3.5 Transcribe 能将原始音频直接转换为准确、精炼、格式规范的文本。

在我们的各类产品中（如 Gemini 应用及 Android 平台），我们已经看到消费者正从这一转写模型中受益，包括 Android 上的 Rambler 以及 macOS 上 Gemini 应用中的全新语音功能。现在，开发者可以通过 Google AI Studio 中的 Gemini API 以及 Gemini Enterprise Agent Platform，使用 Gemini 3.5 Transcribe 构建类似的功能。

我们将 3.5 Transcribe 设计为可无缝接入你的开发者工作流，无论你是在构建语音智能体、实时字幕工具，还是通话后分析管道。该模型可通过两个独立的 API 使用：

实时流式：通过 Live API 使用 gemini-3.5-transcribe-live****，提供亚秒级延迟的持续双向流式传输，适用于交互式语音应用。

预录音频处理：通过 Interactions API 使用 gemini-3.5-transcribe****，可转写录音音频、会议、通话记录等，并支持说话人归属和词级时间戳。

获得更精准、更智能的转写

Gemini 3.5 Transcribe 旨在捕捉你的自然说话风格，以更好地理解你的意图并识别自定义词汇，让你可以用语音完成任务。

智能转写：无缝处理自我纠正（如“我们周二见面——不，周三”），移除填充词（“嗯”和“啊”），并自动格式化你的文本。

函数调用：该模型可以通过函数调用将复杂任务（如图像生成和文件分析）委派给其他 Gemini 模型。目前已在 Gemini macOS 应用中提供。

更精准的转写：根据 Artificial Analysis 的评测，该模型在流式场景下平均词错误率（WER）为 4.0%，非流式场景下为 2.6%。在嘈杂的真实环境中表现出色，能够准确识别邮政编码、订单号等字母数字实体。

自定义词汇：通过将转写结果无缝适配到你提供的自定义词汇表，识别专业术语和特殊拼写。

全球语言支持：自动检测并转写超过 85 种语言，无缝处理地区口音和多样方言。

多说话人识别：在预录音频中准确区分说话人，并为最多三位说话人提供时间戳（3 人以上支持为实验性功能）。

Gemini 3.5 Transcribe 支持实时语言切换和无缝流式转写

观看 Gemini 3.5 Transcribe 如何通过智能转写能力清理语音中的不流畅表达。

3.5 Transcribe 提供带多说话人归因和词级时间戳的转写结果。

Gemini 3.5 Transcribe 的性能相比我们之前的转写模型 Chirp 3 实现了重大飞跃，带来了新能力、更优的词错误率以及显著更低的延迟。根据 Artificial Analysis 的评测，以最终转写完成时间为例，提升了 70%。在覆盖多种主要语言和地区的 FLEURS 基准上，该模型展现出精准的多语言表现，优于 Chirp 3，流式模式下 WER 为 5.50%，非流式场景下 WER 为 5.04%。

体验智能转写与高级听写

除了 Google AI Studio 和 Gemini Enterprise Agent Platform 中的 Gemini API 之外，3.5 Transcribe 还超越了标准语音转文本的能力，让 Google 生态内的操作更自然、更直观。通过将上下文感知理解直接带入 Gboard、Antigravity、Gemini 应用和 Chrome 等日常使用场景，它能够轻松捕捉细微差别、意图和行内编辑。

在 Android 版 Gboard 上，通过全新的 Rambler 功能，3.5 Transcribe 可将口述想法转换为格式规整的文本，并过滤掉口头禅。您还可以使用语音进行编辑、纠正拼写错误以及调整写作风格。

在 Google Antigravity 上，经您许可后，3.5 Transcribe 会结合屏幕上下文和聊天记录，确保对文件名、智能体思考过程以及当前活动文档实现精准的转写准确度。

在 Google AI Studio 中，您可以在 Build 模式下访问 3.5 Transcribe，随时用语音即时编写（vibe code）应用。

在 macOS 版 Gemini 应用中，3.5 Transcribe 不仅可将您自然流畅的语音转写为整洁的格式化文本，还支持语音指令，并能与屏幕上下文无缝结合，驱动复杂的工作流程。通过在后台调用其他 Gemini 模型来处理繁重任务，该模型让您仅凭语音即可轻松总结本地文件、跨应用复用文本，或直接在光标处生成图像。

即将在 Chrome 浏览器中推出，您将可以在任意网页输入框内通过语音输入文字——让您在 Chrome 中口述回复、撰写帖子或向 Gemini 提问变得更加自然、轻松。

Gemini 3.5 Transcribe 让您仅凭语音即可在 macOS 版 Gemini 应用中分析文件、生成图像和执行搜索。

了解 Gemini 3.5 Transcribe 如何在 Android 上利用 Rambler 自动去除口头禅并优化语音内容。

Gemini 3.5 Transcribe 利用 Google Antigravity 上的屏幕上下文来确保转写的准确性。

阅读早期评测

通过利用 Gemini Live API，Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel 和 Vision Agents 等开发者平台使开发者能够轻松构建和部署高性能的语音驱动界面。这些平台在后台管理复杂的实时媒体流基础设施，让开发者能够完全专注于打造用户体验。

Vivo、Intellitek Health 和 Lingopal 等公司也对 3.5 Transcribe 给予了积极反馈，称赞其出色的延迟表现、准确性以及广泛的语言支持。

立即开始使用 3.5 Transcribe

面向开发者：现已在 Gemini API 中通过 Google AI Studio 和 Google Antigravity 提供公开预览。

面向企业：现已在 Gemini Enterprise Agent Platform 中提供公开预览，并即将在 Gemini Enterprise for Customer Experience 中推出。

面向所有用户：现已在 macOS 版 Gemini 应用中提供英文版本，在部分国家和语言的 Android 版 Rambler 中提供，并即将在 Chrome 中推出。

将 Google 的最新资讯发送到您的收件箱