Google 官宣 Gemini 3.5 Transcribe 上线 macOS 版 Gemini 应用，语音加屏幕上下文直接干活

9 月 8 日（北京时间 9 月 9 日凌晨），Google Gemini 应用官方 X 账号发推宣布：语音转文字模型 Gemini 3.5 Transcribe 现已可在 macOS 版 Gemini 应用中使用。推文称，用户可以借助语音和屏幕上下文，用自然语言总结本地文件、做规划与研究，以及创建图像。

这款模型被 Google 称为其最新、专为“精确、智能的实时转写”设计的 speech-to-text 模型。按官方博客给出的口径，它在流式转写场景下的平均词错率（WER）为 4.0%。不过需要说明，功能可用性、能力描述和性能数字目前均出自 Google 官方发布，尚无第三方独立验证。

模型半个月前就发布了，这次新增的是 macOS 客户端

Gemini 3.5 Transcribe 本身并不是首次亮相。8 月 26 日，已经介绍过这款模型，称它是“迄今最精确的语音转文字模型”（这是 Google 的自我评价），能把原始音频直接转成准确、润色过、带格式的文本，可以处理口语中的自我修正（比如“我们周二见——不对，周三”），过滤“嗯”“啊”之类的填充词，并自动排版。

9 月 8 日这条推文的增量在于消费端落地：它明确宣布该模型已进入 macOS 版 Gemini 应用。同一条推文串里，。按博客的说法，此前已有消费者通过 Android 上的 Rambler 功能和 macOS 版 Gemini 应用用上这套转写能力，这次官宣把 macOS 应用作为该模型的最新落地入口公布出来。

语音加屏幕上下文，背后调用其他 Gemini 模型

macOS 版的具体机制，博客写得比较直白：3.5 Transcribe 先把用户的自由口述转成干净的格式化文本，同时支持语音指令与屏幕上下文配合，驱动更复杂的工作流。当任务超出转写本身时，模型会通过 function calling（函数调用）把图像生成、文件分析这类活儿交给其他 Gemini 模型在后台完成——博客注明，这一能力目前只在 Gemini macOS 应用中开放。

落实到操作层面，官方给出的例子是：只用说话，就能总结本地文件、把文字跨应用改写复用，或在光标位置直接生成图像；推文则补充了“规划与研究”这个场景。重活由其他模型分担，转写模型在这里实际上承担的是 macOS 端语音入口的角色。

性能数字全部来自 Google 的口径

性能方面，Google 博客列出的数据是：按 Artificial Analysis 的测量，Gemini 3.5 Transcribe 在流式场景平均词错率 4.0%，非流式场景 2.6%；在覆盖主要语言和地区的 FLEURS 基准上，流式词错率 5.50%，非流式 5.04%，均优于上一代转写模型 Chirp 3；“到最终转写完成的时间”比 Chirp 3 缩短 70%。博客称该模型在嘈杂的真实环境下表现稳定，能准确识别邮编、订单号这类字母数字组合。

其他规格包括：自动检测并转写超过 85 种语言，支持自定义词表以识别专业术语和特殊拼写；对预录音频可做最多三位说话人的区分和词级时间戳（三位以上说话人为实验性功能）。这些数字和规格同样来自 Google 引用 Artificial Analysis 的官方口径，Google 同时强调“最精确”是它对自家模型的定位。

两条 API 通道，Google 把同一模型开放给开发者

除了 macOS 应用，Google 在 8 月 26 日的发布中已经把模型开放给开发者，走两条 API 通道：一条是经 Live API 使用 gemini-3.5-transcribe-live，提供双向实时流、亚秒级延迟，面向交互式语音应用；另一条是经 Interactions API 使用 gemini-3.5-transcribe，处理会议录音、通话记录等预录音频，带说话人归属和词级时间戳。

目前模型以公开预览形式进入 Gemini API（通过 Google AI Studio 和 Google Antigravity），企业侧则通过 Gemini Enterprise Agent Platform 使用，并将陆续登陆面向客服场景的 Gemini Enterprise。博客还列出一批借助 Gemini Live API 接入的语音开发平台：Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel 和 Vision Agents；vivo、Intellitek Health 和 Lingopal 三家公司给出了关于延迟、准确率和语言覆盖的正面反馈——这些反馈由 Google 转述，并非独立评测。

评论区在问 Windows 版，官方列出的入口里没有它

推文发布后数小时内获得约 7.1 万次浏览、615 次点赞（X 平台公开数据），回复区里最集中的诉求与 macOS 无关：多位用户追问 Windows 版何时到来。用户 Luke Litowitz（其 X 资料标注为产品分析师）在中写道：“还是让我惊讶的是没有 Windows 应用。”类似的问题在回复区反复出现，例如用户 Harshith 直接问。而按博客列出的落地清单——macOS 版 Gemini 应用（英文）、Android 的 Rambler（部分国家和地区）、即将推出的 Chrome——Windows 确实不在其中。

也有用户指出了实际使用中的门槛。账号 ProclaimLight 在中抱怨，Gemini Mac 应用强制要求允许屏幕录制，而他不想开放屏幕上下文；用户 AmineTX 则，他试过一次用语音操作 Gmail，当时没意识到说话时要按住 Function 键。屏幕上下文既是这次功能的卖点，也是用户提出隐私顾虑的地方。按官方口径，下一个明确的落地节点是 Chrome——Google 承诺届时可以在任意网页输入框里“说话即输入”，具体时间表尚未给出。