Gemini 语音识别升级：支持复杂数字识别与 85+ 语言自动检测

Google DeepMind 近日通过官方 X 账号宣布，对 Gemini 的语音识别（ASR）能力进行了一组功能升级，重点提升在真实使用场景下的转写准确率与可用性。更新已在 Gemini 桌面应用（macOS）、Android Gboard 键盘以及 Google AI Studio / Antigravity 平台同步上线，开发者与终端用户均可立即体验。

核心更新内容

本次更新围绕「听得更准、写得更快、认得更全」三个方向展开，具体包括：

• 复杂号码识别增强：在嘈杂环境下，模型对电话号码、邮政编码、订单号等长串数字的识别准确率提升。
• 口头禅自动过滤：可自动移除「嗯」「啊」「那个」等无意义填充词，并对文本进行格式化整理。
• 自定义词表支持：允许用户添加品牌名、产品名、人名等专属词汇，使模型更好地识别专有名词。
• 多语言自动检测：无需手动指定语种，模型可自动判断并转写 85 种以上语言的语音输入。

面向开发者与终端用户

面向普通消费者，本次升级随 Gemini macOS 客户端与 Android 平台 Gboard 同步推送，用户在日常语音输入场景即可受益；面向开发者，相关能力已在 Google AI Studio 与 Antigravity 开放，可在 API 与开发环境中调用，便于将语音能力集成到自有产品中。

行业意义

语音识别长期以来是 AI 应用层的刚需能力之一，但在「数字串识别」「噪声鲁棒性」「多语种自动切换」等真实场景上仍有明显痛点。Gemini 此轮更新聚焦这些工程化细节，意味着头部厂商正持续打磨 ASR 的「最后一公里」体验，而非单纯比拼底层模型规模。对于正在构建语音交互、智能客服、会议转写等应用的开发者而言，这是一次值得关注的能力升级。