2026年8月，谷歌发布Gemini 3.5 Transcribe，对标OpenAI四周前推出的GPT-Transcribe。两者均提供实时流式与预录音频两款模型。Gemini词错率更低（流式4.0%、非流式2.6%），支持85种以上语言，内置最多三人说话人分离与词级时间戳；GPT-Transcribe价格更低（每分钟0.0045美元），但需另调模型实现分离与时间戳。多说话人场景宜选Gemini，单说话人转录或实时字幕宜选GPT。

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。