Gemini 3.5 Transcribe 智能转录
内容提要
谷歌发布Gemini 3.5 Transcribe语音转文字模型，支持实时流式与预录音频处理，词错率低至2.6%，覆盖85种语言，可识别自定义词汇、多说话人及自动清理语气词。该模型已集成至Gemini应用、Android及开发者API，并获合作伙伴好评。
延伸解读
技术亮点与性能提升
Gemini 3.5 Transcribe 在词错率上表现突出，非流式场景下平均 WER 低至 2.6%，流式场景为 4.0%，相比前代 Chirp 3 有显著改进。此外，最终转录时间缩短了 70%，在 FLEURS 基准上多语言性能也优于 Chirp 3。这些数据表明，该模型在实时性和准确性上均有明显提升，适合对延迟和精度要求较高的应用场景。
应用场景与集成方式
该模型提供两种 API：Live API 支持实时双向流式传输，适用于交互式语音应用；Interactions API 处理预录音频，支持说话人分离和时间戳。开发者可通过 Google AI Studio 和 Gemini Enterprise Agent Platform 使用，同时已集成到 Gboard、Antigravity、Gemini 应用等产品中，未来还将支持 Chrome 浏览器，覆盖从个人助手到企业客服的多种场景。
智能转录功能与限制
模型具备智能转录能力，能自动处理自我纠正、去除语气词并自动格式化文本，还支持自定义词汇和 85 种以上语言的自动检测。多说话人识别最多支持三人，三人以上仍处于实验阶段。此外，模型支持函数调用，可委派任务给其他 Gemini 模型，但该功能目前仅在 macOS 应用中可用。
Q&A
Gemini 3.5 Transcribe 是什么？
Gemini 3.5 Transcribe 是谷歌发布的最新语音转文字模型，旨在提供精确和智能的实时转录，能够处理背景噪音、复杂术语和语气词清理，将原始音频转换为准确、格式化的文本。
Gemini 3.5 Transcribe 的词错率是多少？
根据 Artificial Analysis 的测量，Gemini 3.5 Transcribe 在流式使用场景下平均词错率为 4.0%，非流式使用场景下为 2.6%。
Gemini 3.5 Transcribe 支持哪些语言？
Gemini 3.5 Transcribe 支持自动检测和转录超过 85 种语言，并能处理地区口音和多样方言。
Gemini 3.5 Transcribe 如何实现多说话人识别？
在预录音频处理中，Gemini 3.5 Transcribe 可以准确识别最多三个说话人，并为每个说话人提供时间戳。对于三个以上说话人的支持目前处于实验阶段。
Gemini 3.5 Transcribe 有哪些 API 可用？
Gemini 3.5 Transcribe 提供两个 API：实时流式 API（Live API，使用 gemini-3.5-transcribe-live）用于交互式语音应用，以及预录音频处理 API（Interactions API，使用 gemini-3.5-transcribe）用于转录录音、会议和通话记录。
Gemini 3.5 Transcribe 在哪些产品中集成？
Gemini 3.5 Transcribe 已集成到 Gemini 应用（macOS 版）、Android 的 Rambler 功能、Gboard、Google Antigravity、Chrome（即将推出）以及开发者 API 中。
Gemini 3.5 Transcribe 相比 Chirp 3 有哪些改进？
Gemini 3.5 Transcribe 相比之前的 Chirp 3 模型，提供了新功能、更低的词错率和显著更好的延迟。例如，最终转录时间改善了 70%，在 FLEURS 基准测试中，流式模式词错率为 5.50%，非流式模式为 5.04%，均优于 Chirp 3。
Gemini 3.5 Transcribe 的智能转录功能有哪些？
智能转录功能包括处理自我纠正（如“周二见面——不，周三”）、移除填充词（如“嗯”、“啊”）、自动格式化文本，以及通过函数调用委托复杂任务（如图像生成和文件分析）给其他 Gemini 模型。
