谷歌发布 Gemini 3.5 Transcribe：语音转录从逐字记录走向智能整理

8 月 26 日，谷歌发布新一代语音转文本模型 Gemini 3.5 Transcribe。与传统逐字记录型语音识别不同，这款模型在转录过程中会自动处理「嗯」「啊」等语气词、口误和重复表达，并补充标点、大小写及文本格式，目标是把原始语音直接转成更接近成稿的文本。谷歌 CEO Sundar Pichai 将其称为「迄今最精确的语音转文本模型」。

核心能力：多语言、自修正与说话人分离

Gemini 3.5 Transcribe 支持 85 种以上语言和地区变体，并能自动判断当前使用的语言，用户无需提前设置语种，即使在同一段对话中切换语言，模型也可继续转录。该能力主要面向跨国会议、多语言访谈、客服通话以及夹杂中英文专业术语的场景。

模型具备语义级自修正能力。例如，当用户说「我们周二开会——不，改成周三」时，模型能理解后半句是对前面内容的修正，并在最终文本中保留正确结果，而不是机械记录整段口误。

针对嘈杂环境、不同口音与多语言对话，谷歌进行了优化，并增强了对电话号码、邮政编码、订单号等字母与数字混合信息的识别能力。模型还支持自定义词表，开发者最多可提供 1000 个专业词汇、缩写、人名或产品名称，引导模型优先识别这些内容；谷歌建议实际使用中控制在 100 个词以内效果更佳。

在说话人分离方面，模型可识别最多 8 名说话人，并把不同语音片段分配给对应说话人标签。谷歌同时提醒，3 名以上说话人的识别目前仍属实验性能力。对于预录音频，模型还能输出逐词时间戳，便于制作字幕或定位原话。

性能数据与版本划分

根据谷歌引用的 Artificial Analysis 测评，Gemini 3.5 Transcribe 在实时流式场景下的平均词错误率为 4.0%，非流式录音处理为 2.6%。与上一代 Chirp 3 相比，最终转录延迟缩短了 70%，实时版本可通过 WebSocket 以低于一秒的延迟持续返回阶段性转录结果。

谷歌提供两个版本：

gemini-3.5-transcribe-live：面向实时字幕、语音输入和 Voice Agent
gemini-3.5-transcribe：面向采访录音、会议、通话记录等预录音频，支持说话人分离和逐词时间戳

限制方面，启用说话人分离或逐词时间戳时，单次录音长度上限为 30 分钟；普通音频转录则支持单次最长 1 小时。

定价方面，实时转录约为每分钟 0.009 美元，非实时转录约为每分钟 0.005 美元，并提供免费测试额度。开发者可通过 Google AI Studio 的 Gemini API 和 Gemini Enterprise Agent Platform 调用。

从「听写」到「整理」的产品转向

Gemini 3.5 Transcribe 引入的 Smart Transcription 功能，会主动清理语气词和重复内容，根据上下文处理自我修正，并把口语转成带标点和结构的文本。它还支持「逆文本规范化」，例如将口述的「twenty six million dollars」直接转换为「$26M」。

这种「智能整理」也带来新风险：在会议纪要和日常语音输入中删除语气词通常无害，但在新闻采访、法律取证等需要逐字核对的场景中，自动删除重复表达或改写数字可能改变说话人原始措辞。为此，模型同时提供 Verbatim 模式，允许开发者获得更接近逐字记录的文本。

相关能力已开始进入谷歌自家产品：Android 版 Gboard 的 Rambler 功能可将口述内容转为格式化文本并支持语音改写；macOS 版 Gemini 应用可结合屏幕上下文识别文件名和当前文档，通过语音指令调用其他 Gemini 模型完成文件总结、文本改写和图片生成。

战略意义：语音 Agent 的基础拼图

在行业普遍聚焦多模态与 Coding Agent 的背景下，单看一款语音转文本模型容易让人感觉「节奏错位」。但从产品逻辑看，Gemini 3.5 Transcribe 的价值不在于重新发明听写工具，而在于补齐语音 Agent 进入生产环境前最基础的一层：在客服、会议、采访、医疗记录等场景中，让机器先稳定听懂噪声、口音、自我修正和语言切换，再把整理过的结构化文本交给下游 Agent 执行任务。

因此，这款模型只有被嵌入 Gboard、Gemini、Chrome 和企业 Agent 工作流，让语音成为调用工具和执行任务的入口，才能真正体现战略意义。

参考链接：https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-5-transcribe/ https://ai.google.dev/gemini-api/docs/pricing?hl=zh-cn