Google日前在官方博客宣布推出最新的语音转文本模型 Gemini 3.5 Transcribe。与在背景噪音、专业术语等场景下频频失手的传统语音识别方案不同，该模型可将原始音频直接转换为准确、整洁且已排版的文本。
性能是本次升级的重点。据 Artificial Analysis 测量，Gemini 3.5 Transcribe 的平均词错率（WER）为流式 4.0%、非流式 2.6%；在 FLEURS 多语言基准上分别为 5.50% 与 5.04%，全面优于上一代模型 Chirp 3，最终转写耗时缩短 70%。
具体能力上，模型的智能转写可处理诸如“我们周二见面——不，还是周三吧”这类口误自我纠正，自动去除语气词并完成排版；函数调用功能允许它将图片生成、文件分析等任务委托给其他 Gemini 模型执行（目前见于 macOS 版 Gemini 应用）；在噪音环境下仍能准确识别邮政编码、订单号等字母数字实体；借助自定义词表可适配专业行话与特殊拼写；支持 85 种以上语言及方言口音；预录音场景下最多可为三名说话人做归属标注。
模型也正在进入 Google 各条产品线：Android 版 Gboard 的 Rambler 功能借其实现语音整理成文与口述编辑；Antigravity 利用屏幕上下文和聊天记录提升转写精度；Chrome 的“随说随写”功能即将上线。
调用方面，模型通过两套 API 提供服务：基于 Live API 的实时流式接口（gemini-3.5-transcribe-live）支持双向流式传输，延迟低于一秒；基于 Interactions API 的录音转写接口可处理会议与通话录音，提供词级时间戳。目前两者均已在 Google AI Studio 与 Gemini Enterprise Agent Platform 开启公开预览。