Google DeepMind 发布 Gemini 3.5 Transcribe 语音转写模型

2026年8月26日

我们最新的语音转文本模型，专为精准、智能的实时转录而设计。

Diego Melendo Casado

Gemini Audio 工程高级总监

Luke Leonhard

Gemini Audio 幕僚长，代表 Gemini Audio 团队

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 仍处于实验阶段

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本模型，专为智能语音交互而设计。传统语音识别模型难以应对背景噪音、复杂术语以及口语不流畅的清理问题，而 Gemini 3.5 Transcribe 能将原始音频直接转换为准确、精炼且格式规范的文本。

在 Gemini 应用和 Android 等我们的产品中，消费者已经通过这一转录模型受益于全新的语音功能，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 中的 Gemini API 和 Gemini Enterprise Agent Platform 中使用 Gemini 3.5 Transcribe 构建类似的功能。

我们打造 3.5 Transcribe，是为了让它无缝融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，还是通话后分析流水线。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持续双向流式传输。
预录音频处理：通过 Interactions API 使用 gemini-3.5-transcribe，转录录制的音频、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、更智能的转录

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，让你能够用语音执行任务。

智能转录：无缝处理自我更正（例如“我们周二见——不，周三”），去除填充词（“嗯”和“啊”），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。
更精准的转录：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，能准确捕捉邮政编码和订单 ID 等字母数字实体。
自定义词汇：通过无缝调整转录以适配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：自动检测并转录超过 85 种语言，无缝处理地区口音和多样方言。
多说话人识别：为预录音频中的语音准确归属说话人，并附带最多三位说话人的时间戳（3 位以上说话人的支持为实验性功能）。

Gemini 3.5 Transcribe 的性能相较我们此前的转录模型 Chirp 3 实现了重大进步，带来了全新能力、更低的词错误率以及显著更优的延迟。根据 Artificial Analysis 的测量，例如最终转录时间缩短了 70%。在涵盖一系列主要语言和地区的 FLEURS 基准测试中，该模型展现出精准的多语言性能，优于 Chirp 3，在流式模式下词错误率达到 5.50%，在非流式用例中达到 5.04%。

Graph of streaming speech recognition accuracy

体验智能转录与高级听写

除了 Google AI Studio 和 Gemini Enterprise Agent Platform 中的 Gemini API 之外，3.5 Transcribe 超越了标准语音转文本，让在 Google 生态中的工作体验更加自然直观。通过将上下文感知理解直接引入 Gboard、Antigravity、Gemini 应用和 Chrome 等日常界面，它能够轻松捕捉细微差别、意图和行内编辑。

在 Android 上的 Gboard 中，通过全新的 Rambler 功能，3.5 Transcribe 可将口述想法转化为格式良好的文本，并过滤掉填充词。你还可以用语音进行编辑、纠正拼写错误以及更改写作风格。
在 Google Antigravity 中，3.5 Transcribe 在获得你许可的情况下，将屏幕上下文与聊天历史相结合，确保在文件名、智能体思路和活动文档中实现精准转录。
在 Google AI Studio 中，你可以在 Build 模式下使用 3.5 Transcribe，用语音即兴进行 vibe code 应用开发。
在 macOS 上的 Gemini 应用中，3.5 Transcribe 不仅能将你自由自然的语音转录为整洁的格式化文本，还支持语音命令，可与屏幕上下文无缝配合，驱动复杂的工作流程。通过在后台调用其他 Gemini 模型来处理繁重工作，该模型让你只需用语音，就能轻松总结本地文件、跨应用复用文本，或直接在光标处生成图像。
即将登陆 Chrome，你将能够在任何网页字段中语音输入——更自然、更轻松地用语音口述回复、起草帖子或向 Chrome 中的 Gemini 发出提示。

阅读早期评价

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。这些平台在幕后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 等公司也分享了对 3.5 Transcribe 的积极反馈，强调了其令人印象深刻的延迟、准确性和广泛的语言支持。

vivo testimonial