Google 上线 Gemini 3.5 Transcribe：官方称迄今最精确的语音转文本模型

8月28日，Google 官方账号发布本周新品盘点推文，把 Gemini 3.5 Transcribe 列在首位，称其为「迄今最精确的语音转文本（speech-to-text）模型」，旨在提供智能转写（intelligent transcriptions）。

两天前的 8月26日，Google 已在正式介绍这款模型，署名是 Gemini Audio 工程高级总监 Diego Melendo Casado 与幕僚长 Luke Leonhard。官方给出的「最精确」依据是：博客援引 Artificial Analysis 的评测称，模型流式场景平均词错率（WER）为 4.0%，非流式场景为 2.6%；相比上一代转写模型 Chirp 3，最终转写完成时间缩短 70%。

一条周更盘点，把转写模型列在首位

@GoogleAI 的推文以「本周发布了什么」开场，共列四项：Gemini 3.5 Transcribe、扩展视频生成与编辑能力的 Gemini Omni 1.1 Flash、加入 Daily Brief、Gemini Spark、Personal Intelligence 和 Gmail 收件箱管理等功能的 Gemini App Live 体验，以及从符合条件的 Google Play 电子书接入 Gemini Notebook 的 Expert Intelligence 计划。

截至 8月30日，这条推文已获得约 10.6 万次浏览和 851 次点赞。模型本身并非推文当天才亮相：8月26日的博客已给出完整发布细节，推文属于周度盘点，把本周上线的产品集中宣告了一次。

两套 API，把原始语音直接变成成稿

Google 在博客中说，传统语音识别模型往往难以应对背景噪声、复杂行话和表达不流利，Gemini 3.5 Transcribe 则直接把原始音频转成准确、整洁、带格式的文本。开发者可通过两套 API 调用：

Live API（模型名 gemini-3.5-transcribe-live）：面向交互式语音应用，提供亚秒级延迟的双向流式转写；
Interactions API（模型名 gemini-3.5-transcribe）：处理录音、会议和通话记录等预录音频，带说话人归因和逐词时间戳。

「智能转写」的机制包括：自动处理说话人的自我纠正（比如「周二见面——不，周三」）、删除「嗯」「啊」等填充词、自动排版；支持自定义词表识别专业行话和特殊拼写；自动检测并转写 85 种以上语言，兼容地区口音和方言，也支持语种实时切换。

预录音频的说话人归因最多支持三人，三人以上仍标注为实验性功能。模型还能通过函数调用把图像生成、文件分析等任务转交给其他 Gemini 模型，该能力目前仅在 Gemini macOS 应用内提供。

4.0% 词错率：「最精确」的数字依据

「迄今最精确」是 Google 自己的表述，依据来自两处数据。博客援引 Artificial Analysis 的测量称，模型流式平均 WER 为 4.0%、非流式 2.6%，在嘈杂的真实环境和邮政编码、订单号等字母数字实体上表现稳定；在 FLEURS 多语言基准上，流式 WER 为 5.50%、非流式 5.04%，均优于上一代 Chirp 3。

时间收益更直观：博客称，按 Artificial Analysis 的测量，从语音输入到最终转写文本的时间比 Chirp 3 缩短 70%。Google 没有给出 Chirp 3 的对应 WER 数值，也未说明评测数据集的具体构成。

从 Gboard 到 Chrome：落地路径与开放范围

模型已经进入 Google 的消费者产品。Android 版 Gboard 的 Rambler 功能用它把口语转成格式化文本、过滤填充词，还支持用语音修改、纠错和调整行文风格；Gemini macOS 应用（英文版）能用语音命令配合屏幕上下文，总结本地文件、跨应用改写文本、生成图片；Google Antigravity 在获得用户许可后结合屏幕上下文与聊天历史做转写；Google AI Studio 的 Build 模式支持用语音即时「边说边写代码」。Chrome 的网页输入框语音打字功能标注为 coming soon。

开放范围按人群区分：开发者可在 Gemini API（经 Google AI Studio 和 Antigravity）以公共预览形式调用；企业用户经 Gemini Enterprise Agent Platform 使用公共预览，Gemini Enterprise for Customer Experience 版本「即将推出」；普通用户目前可用 Gemini macOS 应用（英文）和部分国家与语言的 Android Rambler。博客称，消费者此前已通过 Gemini 应用和 Android 端的 Rambler 用上这款转写模型。

首批采用者：vivo、Lingopal 与七家开发平台

Google 博客列出了两类早期采用者。开发平台方面，Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel 和 Vision Agents 基于 Gemini Live API 构建语音界面，由平台负责实时媒体流基础设施。

企业方面，Google 称 vivo、Intellitek Health 和 Lingopal 已给出积极反馈，重点提及延迟、准确性和语言覆盖。这属于 Google 单方面的转述。

Google 博客对 Chrome 只标注了 coming soon，没有给出上线时间；Rambler 也只写了「部分国家和语言」，没有列出开放清单。当前可以验证的事实是：gemini-3.5-transcribe 与 gemini-3.5-transcribe-live 两个模型名已随公共预览开放调用，官方所称的「最精确」，接下来要由开发者的实测数据来检验。