Google DeepMind 上线 Gemini 3.5 Transcribe：WER 2.6%，85+ 语言自动识别

2026 年 8 月 26 日 17:00 UTC，Google DeepMind 官方博客发布新一代语音转写模型，称它是"迄今最精准的语音转写模型"。17:03 UTC，发推宣布上线并附演示视频；不到一分钟后，亲自官宣，确认 API"现在即可使用"。

开发者可在 Gemini API（Google AI Studio）与 Gemini Enterprise Agent Platform 上以公开预览形式调用。博客由 Gemini Audio 工程高级总监 Diego Melendo Casado 与幕僚长 Luke Leonhard 署名，把"自动检测并转写 85+ 种语言、最多三位说话人归属、自定义词汇、去填充词、函数调用"列为核心能力。

按 Artificial Analysis 的测评，模型非流式词错误率（WER）为 2.6%、流式为 4.0%，最终转写时延较前代 Chirp 3 改善 70%。这些数字来自公司与第三方测评机构的声明，公开渠道尚未见更多独立复测。

自动改口、去填充词、识别三个说话人

模型按使用场景拆成两个接口：实时流式接口 gemini-3.5-transcribe-live 走 Live API，提供亚秒时延的连续双向流，面向语音 agent 等交互应用；gemini-3.5-transcribe 走 Interactions API，处理会议、通话记录等预录音频，输出说话人归属和词级时间戳。

转写之外，模型处理的是口语的"毛边"：自动修正自我纠正（官方例子是"周二见面——不，周三"）、删掉 "um""ah" 等填充词、自动排版。DeepMind 的补充说，它在嘈杂环境下也能抓准电话号码、邮政编码、订单 ID 这类字母数字实体，并可按开发者提供的词汇表识别行业术语和特殊拼写。

多说话人识别支持在预录音频中区分最多三位说话人，3 人以上标记为实验功能；函数调用目前仅在 macOS Gemini 应用中开放，可把图像生成、文件分析等任务转交给其他 Gemini 模型。

WER 2.6%、时延快 70%：数字的出处

博客引用的性能数字都标注了测量方：按 Artificial Analysis 的测评，平均 WER 为流式 4.0%、非流式 2.6%，"最终转写时延"（time to final transcription）较前代 Chirp 3 改善 70%；在 FLEURS 多语言基准的一组主要语言上，模型流式 WER 5.50%、非流式 5.04%，均优于 Chirp 3。

Pichai 的官宣帖没有附基准数据，只强调多说话人理解、85+ 语言自动检测和自定义词汇，提到自定义词汇时还补了一句 "SGTM:)"（听起来不错）。博客把 Chirp 3 称为"我们之前的转写模型"，对比维度是"新能力、更低的词错误率和明显更好的时延"。需要分清的是：这些数字是 Google 引用 Artificial Analysis 测量的声明，并非独立验证的结果。

API 刚开放，Gboard 和 macOS 应用早已在用

博客透露，消费者端其实已经跑了一段时间："在我们自己的产品里，比如 Gemini 应用和 Android 上，我们已经看到消费者从这一转写模型中受益"——Android Gboard 的新功能 Rambler 和 macOS Gemini 应用都基于它做语音转写。这次开放的是 API 侧：开发者经 Gemini API（Google AI Studio、Google Antigravity）公开预览调用，企业经 Gemini Enterprise Agent Platform 使用，后续进入 Gemini Enterprise for Customer Experience。

各入口分工不同：Gboard 的 Rambler 把口述转为排版好的文本、过滤填充词，还能语音改拼写、调文风；Antigravity 在用户许可下结合屏幕上下文与聊天历史保证转写准确；AI Studio 的 Build 模式支持语音"vibe coding"；macOS 应用里的语音命令可结合屏幕上下文，后台调用其他 Gemini 模型完成摘要、跨应用改写和生成图片。

边界同样写在公告里：macOS 应用目前仅支持英文，Rambler 只在部分国家和语言上线，Chrome 的"在任何网页输入框语音输入"仍是"即将上线"。博客还列出了基于 Gemini Live API 接入的七家平台：Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel 和 Vision Agents。

平台方当晚表态，独立测试者搬出 Whisper 做对照

Google DeepMind Gemini 模型产品负责人（高级总监）在官宣后发推："如果你已经在 Android Gboard 或 Gemini Mac 应用里用过 Gemini 3.5 Transcribe，你会知道它是用语音办事的 game changer。我们现在正把这个能力带到 API。"她同时判断，语音会继续成为人们与 agent 交互的主要方式。

官方账号在 DeepMind 官宣帖下回复："恭喜！我们很高兴在 visionagents_ai 中支持这个新模型。" 引述数据称模型"交出了非常强的语音基准"，结论是"语音 AI 正变得又快又准"。开发者则拿它与 OpenAI Whisper 做了对照："这是主观的，但 Gemini 在英语和嘈杂环境的转写上表现更好，在西语和乌克兰语上也不落下风。"

唱反调的也有。在引述帖下留言"根本算不上第一梯队"；提醒："词准确率基本已经解决了，生产环境里难的是串话、自然停顿和零延迟的结束语检测。"博客则列出 Vivo、Intellitek Health、Lingopal 三家公司的正面反馈，称其认可模型的时延、准确率和语言覆盖。

定价未公布，独立验证仍是问号

里，有网友直接追问"每小时定价是多少"。博客通篇没有给出价格，只写了三条接入路径：开发者与企业的公开预览、macOS 应用（英文）与 Rambler（部分国家）的现成入口，以及 Chrome 的"即将上线"。

官方引用的 WER 与时延数字出自 Artificial Analysis 的测量和 Google 自己的声明；到本文发稿为止，能看到的第三方验证还停留在开发者个人的主观测试。"迄今最精准"这个说法能走多远，目前只能由开发者自己拿音频去试。