Google于2026年8月26日宣布推出Gemini 3.5 Transcribe，这是一款专为实时语音转写和智能语音交互设计的新型语音转文本模型。该公司表示，与仅将原始音频转换为文字不同，该模型能够清理频率和自我修正内容，识别专业术语，并输出更接近可直接使用格式的排版文本。
该模型面向构建语音代理、实时翻译或字幕工具，以及用于分析已录制通话和会议的处理流程的开发者。它可通过Google AI Studio中的Gemini API使用，也可通过Gemini Enterprise Agent Platform使用。
面向不同用途的两个接口
Google通过两个独立接口提供该模型。第一个是使用gemini-3.5-transcribe-live模型的Live API，提供持续的双向流式传输，延迟低于一秒，适合交互式语音对话应用。第二个是使用gemini-3.5-transcribe模型的Interactions API，用于处理录音、会议和通话记录，并将语音归属到不同说话人，同时添加词级时间戳。
Google表示，Gemini 3.5 Transcribe能够处理自我修正，例如说话者在讲话过程中更改约会时间或词语；能够删除口头填充词，例如含糊的重复音；并自动格式化文本。该模型还支持自定义词汇，开发者可以提供这些词汇，以便识别专业术语和不常见的拼写；同时支持检测和转写超过85种语言，并处理地区方言和口音。
在录音文件中，该模型可通过时间戳将语音归属于最多三位说话人，而超过三位说话人的支持仍处于实验阶段。它还能够处理流式传输过程中语言之间的切换，这对于多语言对话十分重要，但来源没有提供所有受支持语言的详细信息，也没有说明每种语言的性能限制。
与Chirp 3相比的性能数据
根据Google引用的Artificial Analysis测量结果，该模型在流式场景中的平均词错误率为4.0%，在非流式使用场景中的平均词错误率为2.6%。在涵盖多种语言和地区的FLEURS基准测试中，其流式词错误率为5.50%，非流式使用中的词错误率为5.04%。该公司表示，与此前的转写模型Chirp 3相比，最终转写结果的延迟降低了70%。
这些数据表明，准确性和速度均有所提升，但这并不意味着在每种音频环境中都会得到完全相同的结果；结果取决于基准测试、语言、录音质量、说话人数和噪声水平。此外，来源没有详细说明Artificial Analysis的方法，也没有提供按语言划分的完整结果表。
从Google界面到开发者工具
Google已经在Gemini应用和部分Android体验中使用该模型，其中包括Rambler功能。该功能可将语音转换为格式化文本，支持删除填充词、进行修正，并通过语音更改写作风格。在macOS上的Gemini应用中，语音指令可以利用屏幕上下文执行诸如总结本地文件、在应用之间复用文本，或通过调用其他Gemini模型生成图像等任务。
在获得用户许可后，Google Antigravity会使用屏幕上下文和对话记录，改善对文件名、当前活动文档及代理想法的识别。用户还可以在Google AI Studio的Build模式中访问该模型，使用语音构建应用。Google表示，面向任意网页字段的语音输入功能即将登陆Chrome。
实际会发生什么变化？
最重要的变化是，语音转写从初步的录音转录步骤转变为理解和清理语音、并将其与应用上下文关联的一层能力。对于开发者而言，这意味着可以构建无需针对每次修正或填充词进行单独处理的语音界面，同时可根据产品性质选择实时流式传输或归档录音。
目前，Gemini 3.5 Transcribe以公开预览形式面向开发者提供，可通过Google AI Studio和Google Antigravity中的Gemini API使用；面向企业则可通过Gemini Enterprise Agent Platform使用，之后还将登陆Gemini Enterprise for Customer Experience。对于用户，该模型已在英文版macOS Gemini应用中提供；Rambler则在部分国家和语言中提供Android版本，Chrome版本也即将推出。