Google DeepMind 发布 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本模型，专为精准、智能的实时转写而设计。

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、复杂术语和口语不流畅的清理问题，而 Gemini 3.5 Transcribe 可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，消费者已经通过这款转写模型享受到全新语音能力带来的便利，例如 Android 上的 Rambler 以及 macOS 版 Gemini 应用。如今，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 构建类似的能力。

我们构建 3.5 Transcribe 的初衷是让它无缝融入你的开发者工作流，无论你是在构建语音代理、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。
预录制音频处理：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。

获取更精准、更智能的转写

Gemini 3.5 Transcribe 旨在捕捉你的自然说话风格，从而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。

智能转写：无缝处理自我更正（如“我们周二见——不，周三”），去除填充词（“嗯”和“啊”），自动格式化文本。
函数调用：该模型可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。
更精准的转写：根据 Artificial Analysis 的测量，流式场景的平均词错误率（WER）为 4.0%，非流式场景为 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：通过无缝地将转写内容适配到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：在预录制音频中准确归属语音并附时间戳，最多支持三位说话人（3 位以上说话人支持为实验性功能）。

Gemini 3.5 Transcribe 的表现代表着我们相较上一代转录模型 Chirp 3 的一次重大进步，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%。在一组主流语言和地区的 FLEURS 基准测试中，该模型展现出精准的多语言性能，较 Chirp 3 有所提升，在流式模式下实现了 5.50% 的 WER，在非流式用例中实现了 5.04% 的 WER。

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本，让在整个 Google 生态中工作变得更为自然直观。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含义、意图和内联编辑。

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。你还可以用自己的声音进行编辑、纠正拼写错误和更改写作风格。
在 Google Antigravity 上，经你许可后，3.5 Transcribe 会将屏幕上下文和聊天历史相结合，确保对文件名、智能体思考内容和活动文档进行精准转录。
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 coding 来构建应用。
在 macOS 上的 Gemini 应用中，3.5 Transcribe 不仅能将你自由的自然的语音转录为整洁的格式化文本，还能实现语音指令，与屏幕上下文无缝配合，驱动复杂工作流程。通过调用后台的其他 Gemini 模型来承担繁重的工作，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，或在光标处直接生成图像。
即将登陆 Chrome，你将能够在任意网页字段中说话输入——让口述回复、起草帖文或更自然轻松地用语音向 Chrome 中的 Gemini 发出提示变得毫不费力。

阅读早期评测

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语音驱动界面。这些平台在后台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