Gemini 3.5 Transcribe 发布
来自 Google DeepMind · 期号 2026-08-27
摘要
Google DeepMind 推出 Gemini 3.5 Transcribe，一款更智能的语音转文字工具。它利用 Gemini 3.5 模型的能力，不仅能准确转录，还能理解上下文、区分说话人，并处理背景噪音。 官方称其在多个基准测试上优于现有方案，但未公布具体对比数字。
深读
导读 Google DeepMind 发布了专为语音转文字设计的 Gemini 3.5 Transcribe 模型。它不仅能降噪、去口语词、自动格式化，还支持实时流式转录、说话人分离和自定义词汇。如果你在构建语音 Agent、实时字幕或通话分析管线，这篇官方公告值得一读。 关键信息 - 模型提供两种 API：实时流式（Live API，子秒级延迟）和预录音频处理（Interactions API，支持说话人归属和词级时间戳）。 - 在 Artificial Analysis 的评测中，流式模式平均词错误率（WER）为 4.0%，非流式模式为 2.6%。 - 相比上一代模型 Chirp 3，最终转录时间（time to final transcription）提升 70%。 - 在 FLEURS 多语言基准上，流式模式 WER 为 5.50%，非流式模式为 5.04%。 - 支持自动检测并转录超过 85 种语言，能处理区域口音和方言。 - 预录音频支持最多三人的说话人识别（三人以上为实验性功能）。 逐节讲解 模型定位与 API 接入 Gemini 3.5 Transcribe 被定位为比传统语音识别模型更智能的转录方案，能直接处理背景噪音、专业术语和口语不流畅（如自我纠正、填充词）。开发者可通过 Gemini API 在 Google AI Studio 和 Gemini Enterprise Agent Platform 中调用。API 分两种：Live API 用于实时双向流式交互，Interactions API 用于处理预录音频，后者还提供说话人归属和词级时间戳。 核心能力 公告列出了六项关键特性：智能转录（自动处理自我纠正、去除“嗯”“啊”等填充词、自动格式化文本）；函数调用（可将图像生成、文件分析等任务委托给其他 Gemini 模型）；更低的词错误率（流式 4.0%，非流式 2.6%）；自定义词汇（识别专业术语和独特拼写）；多语言支持（超过 85 种语言）；以及预录音频的多说话人识别（最多三人）。 性能提升与产品集成 与 Chirp 3 相比，Gemini 3.5 Transcribe 在词错误率和延迟上均有显著改进，最终转录时间提升 70%。模型已集成到多个 Google 产品中：Android 上的 Rambler 功能可过滤填充词并支持语音编辑；Google Antigravity 利用屏幕上下文和聊天历史提升转录精度；Gemini macOS 应用支持语音命令调用其他模型执行文件总结、跨应用文本复用和图像生成；Chrome 即将支持在任意网页输入框中语音输入。 开发者生态与可用性 Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel 和 Vision Agents 等开发者平台已集成 Gemini L…