Google DeepMind 推出 Gemini 3.5 Transcribe 语音转文字模型

2026年8月26日

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。

迭戈·梅伦多·卡萨多

高级工程总监，Gemini Audio

卢克·莱昂哈德

Gemini Audio 幕僚长，代表 Gemini Audio 团队

Text "Gemini 3.5 Transcribe" next to the Gemini spark, all on a blue background

收听文章

[[duration]] 分钟

此内容由 Google AI 生成。生成式 AI 具有实验性

今天，我们推出 Gemini 3.5 Transcribe，这是我们迄今最精准的语音转文字模型，专为智能语音交互而设计。与在背景噪音、复杂术语和口误清理方面表现不佳的传统语音识别模型不同，Gemini 3.5 Transcribe 可将原始音频直接转换为准确、精炼、格式化的文本。

在我们的 Gemini 应用和 Android 等产品中，我们看到用户已经通过新的语音功能受益于这一转写模型，例如 Android 上的 Rambler 以及 macOS 上的 Gemini 应用。现在，开发者可以在 Google AI Studio 的 Gemini API 和 Gemini 企业智能体平台中，使用 Gemini 3.5 Transcribe 构建类似的功能。

我们构建的 3.5 Transcribe 可以无缝融入你的开发者工作流程，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：

实时流式传输：通过 Live API 使用 gemini-3.5-transcribe-live. 为交互式语音应用提供亚秒级延迟的连续双向流式传输。
预录音频处理：通过 Interactions API 使用 gemini-3.5-transcribe. 转写录制的音频、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，从而让你用语音执行任务。

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。目前可在 Gemini macOS 应用中使用。
更精准的转写：根据 Artificial Analysis 的测量，流式用例的平均词错误率（WER）为 4.0%，非流式用例为 2.6%。它在嘈杂的真实环境中表现出色，能准确识别邮政编码和订单 ID 等字母数字实体。
自定义词汇：通过无缝调整转写结果以适应你提供的自定义词汇，识别专业术语和独特拼写。
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：在预录音频中准确归属语音，并为最多三位说话人提供时间戳（支持 3 位以上说话人仍处于实验阶段）。

Gemini 3.5 Transcribe 的性能相比我们之前的转录模型 Chirp 3 有了重大进步，提供了新功能、更低的词错误率和显著改善的延迟。例如，根据 Artificial Analysis 的测量，最终转录时间提升了70%。在覆盖多种顶级语言和地区的 FLEURS 基准测试中，该模型提供了精确的多语言性能，优于 Chirp 3，在流式模式下实现了5.50%的词错误率，在非流式用例中实现了5.04%的词错误率。

Graph of streaming speech recognition accuracy

体验智能转录和高级听写

除了 Google AI Studio 和 Gemini Enterprise Agent Platform 中的 Gemini API 之外，3.5 Transcribe 超越了标准的语音转文字，让在 Google 中的工作变得更加自然和直观。通过将上下文感知理解直接带入 Gboard、Antigravity、Gemini 应用和 Chrome 等日常界面，它轻松捕捉细微差别、意图和内联编辑。

在 Android 上的 Gboard 上，通过新的 Rambler 功能，3.5 Transcribe 将口述的想法转换为格式良好的文本，过滤掉填充词。您还可以使用语音进行编辑、纠正拼写错误和更改写作风格。
在 Google Antigravity 上，3.5 Transcribe 在您的许可下结合屏幕上下文和聊天历史，确保对文件名、智能体想法和活动文档进行精准转录。
在 Google AI Studio 中，您可以在构建模式下使用 3.5 Transcribe，通过语音即时编写代码应用。
在 macOS 上的 Gemini 应用 中，3.5 Transcribe 不仅将您的自然语音转录为干净的格式化文本，还实现了可与屏幕上下文无缝结合的语音命令，以支持复杂工作流。通过在后台调用其他 Gemini 模型来处理繁重任务，该模型让您仅需使用语音即可轻松总结本地文件、跨应用重用文本或在光标处生成图像。
即将在 Chrome 中推出，您将能够在任何网页字段中通过语音输入——让在 Chrome 中使用语音更自然、更轻松地进行回复、撰写帖子或提示 Gemini。

阅读早期评测

通过利用 Gemini Live API，诸如 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。这些平台在幕后管理复杂的实时媒体流基础设施，让开发者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、准确性和广泛的语言支持。

vivo testimonial