Google 发布 Gemini 3.5 Transcribe：更精准的实时语音转文字模型

一、Gemini 3.5 Transcribe 是什么

2026 年 8 月 26 日，Google 在官方博客发布 Gemini 3.5 Transcribe。它由 Google DeepMind 和 Gemini Audio 团队开发，是一个专门把说话声音变成文字的语音转文字模型。它通过 Gemini API 提供闭源服务，开发者可以在 Google AI Studio 和 Gemini Enterprise Agent Platform 中使用。

简单说，它就像一位坐在你旁边的速记小助手：你说话时，它会自动把“嗯、啊”这些废话删掉，把说错又改口的话整理成通顺句子，还能分清是谁在说话。它有两个版本：一个负责实时对话，一个负责处理已经录好的音频。

二、它比以前的语音识别强在哪里

普通语音识别遇到背景噪音、专业术语或者说话人自己改口时，常常会出错。Gemini 3.5 Transcribe 专门解决这些问题。它能听懂“我们周二见——不对，周三见”这种自我纠正，自动去掉“嗯”“啊”等填充词，还会把文字自动排版。

根据 Artificial Analysis 的测试，它在流式场景下平均词错误率是 4.0%，非流式场景是 2.6%。和上一代 Chirp 3 相比，最终转写时间快了 70%。在 FLEURS 多语言测试中，流式词错误率为 5.50%，非流式为 5.04%。

三、两个 API 分别做什么

第一个是实时流式 API，名字叫 gemini-3.5-transcribe-live，通过 Live API 使用。它支持双向连续传输，延迟低于一秒，适合做语音助手、实时字幕这类需要立刻看到文字的应用。

第二个是预录音频 API，名字叫 gemini-3.5-transcribe，通过 Interactions API 使用。它适合处理会议录音、通话记录等已经录好的音频，还能标注说话人和每个词的时间戳。目前最多能准确区分三个说话人，三个以上还在实验阶段。

四、它能听懂多少种语言和口音

Gemini 3.5 Transcribe 能自动检测并转写超过 85 种语言，还能处理不同地区的口音和方言。它甚至能在说话过程中切换语言，比如一句话里混着中文和英文，它也能跟上。

它还能识别自定义词汇。比如你告诉它“订单号是 A 一三七”，它就能准确写出字母和数字组合，而不是猜成别的词。这对快递单号、邮政编码、专业术语特别有用。

五、它已经用在哪些 Google 产品里

在 Android 上，Gboard 的新功能 Rambler 用上了这个模型，能把你说的话变成排版整齐的文字，还能用语音修改拼写和写作风格。在 macOS 的 Gemini 应用里，它不仅能转写，还能结合屏幕内容执行复杂任务，比如总结本地文件、生成图片。

在 Google Antigravity 中，它结合屏幕和聊天记录，确保文件名、文档内容转写准确。在 Google AI Studio 的 Build 模式里，你可以用语音快速写应用。Chrome 也即将支持在任何网页输入框里用语音打字，但官方没有说明具体上线日期。

六、它适合谁用，有什么限制

它适合开发者做语音助手、实时字幕、通话分析，也适合普通用户在日常打字、记笔记时使用。它把语音转文字从“能听清”提升到“能听懂”，还能调用其他 Gemini 模型完成图像生成、文件分析等任务。

不过，它目前是闭源服务，官方没有公布模型参数量、训练数据规模和具体定价。三个以上说话人识别还是实验功能，Chrome 支持也还没有确切时间。如果你需要完全离线或开源的方案，它可能不适合。