谷歌推出Gemini 3.5 Transcribe,实时过滤语气词

谷歌DeepMind于2026年8月26日发布了Gemini 3.5 Transcribe,官方博客称其为"迄今最精确的语音转文字模型",能够将原始音频直接转换为准确、格式规范的文本。该系统旨在实现谷歌所说的"智能语音交互",超越了在背景噪音、专业术语和语言停顿面前表现不佳的传统语音识别技术。

根据谷歌援引独立评测机构Artificial Analysis的数据,Gemini 3.5 Transcribe在流式场景下的平均词错误率(WER)为4.0%,在预录音频场景下为2.6%。在多语言基准测试FLEURS上,该模型流式模式的WER为5.50%,非流式模式为5.04%,谷歌还表示,相比上一代模型Chirp 3,获得最终转录结果所需时间缩短了70%。

与传统语音识别的区别

该模型的核心卖点是"智能转录":它能顺畅处理自我纠正——谷歌给出的例子是说话者说"我们周二见——不,周三见"——并去除"呃""嗯"之类的语气词,同时自动为文本排版。开发者和用户还可以提供自定义词汇表,让模型准确识别专业术语或特殊拼写,而不是靠猜测。

根据DeepMind的公告,Gemini 3.5 Transcribe能自动识别并转录超过85种语言,无需用户提前指定语言,并能处理地区口音和方言差异。在预录音频中,它还能为最多三位不同说话人分配发言并标注逐词时间戳;谷歌说明,对三人以上说话人的支持仍处于实验阶段。

除转录外,该模型还能通过"函数调用"将图像生成、文件分析等任务委派给其他Gemini模型,该功能目前已在macOS版Gemini应用中上线。德国科技媒体The Decoder还报道称,该模型也能以同样方式委派网络搜索,而这一用法并未出现在谷歌官方博文中。

两套接口,应用场景持续扩大

• 实时流式转录,通过Live API(模型gemini-3.5-transcribe-live)提供,延迟低于一秒,适用于语音代理和实时字幕
• 预录音频处理,通过Interactions API(模型gemini-3.5-transcribe)提供,适用于会议记录、通话日志和通话后分析
• Rambler,Android版Gboard中新增的听写功能,已在部分国家和语言上线
• macOS版Gemini应用,目前仅支持英语,结合转录、语音指令与屏幕上下文
• Google Antigravity,结合屏幕上下文与对话历史,精准转录文件名与技术术语
• Google AI Studio的Build模式,可用语音描述并构建应用

Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel和Vision Agents等第三方平台已基于Live API打造语音驱动的应用界面,谷歌还引用了Vivo、Intellitek Health和Lingopal等公司的正面反馈。Chrome浏览器的支持被称为"即将推出",届时用户可在任意网页输入框中语音输入。

在更大等待中的一次低调发布

The Verge指出,Gemini 3.5 Transcribe发布之际,谷歌承诺在6月推出的Gemini 3.5 Pro模型仍未问世。该媒体此前还报道称另外两款音频模型——Gemini 3.5 Live和3.5 Live Experimental——将与Transcribe同期发布,但在谷歌再次联系后进行了更正:这两款模型实际上并未同步推出,谷歌也未公布新的发布时间。发布节奏本身仍分阶段进行:转录模型目前通过Google AI Studio和Antigravity向开发者公开预览,通过Gemini Enterprise Agent Platform向企业公开预览,面向普通消费者的推出则仅部分完成。

对处理大量多语言音频的企业而言——无论是客服中心、商务会议、播客还是字幕制作——一个能自动去除语气词并区分发言人的转录层,有望减少原始转录稿通常需要的人工校对时间。预录音频的错误率(2.6%)低于实时流式转录(4.0%),说明目前像客服中心数据分析这类非实时场景是相对更稳妥的选择,而实时字幕和语音代理场景仍会带来更多噪音。企业在评估该模型时还需注意,三人以上说话人的区分功能以及macOS上完整的中文支持目前均未就绪,这意味着涉及多人会议的生产环境应用还需等待。