Gemini 3.5智能转录，谷歌博客发布

谷歌发布Gemini 3.5 Transcribe语音转写模型，专为智能语音交互打造。相比传统语音识别模型，它在嘈杂环境、专业术语和口语修正处理上表现更优，能将原始音频直接转换为准确、精炼且格式规范的文本。目前，谷歌自家的Gemini应用和Android系统已率先采用该模型，用户已体验到如Android上的Rambler和macOS版Gemini应用中的新语音功能。现在，开发者可通过Gemini API、Google AI Studio和Gemini Enterprise Agent Platform接入这一能力，用于构建语音代理、实时字幕工具或通话后分析流程。 这次升级的核心在于“智能”二字。Gemini 3.5 Transcribe不仅能听清，还能听懂。它能自动处理“周二见——不，周三”这类自我纠正，剔除“嗯”“啊”等口头语，并自动格式化文本。更关键的是，它支持函数调用，能通过语音指令将图像生成、文件分析等复杂任务委派给其他Gemini模型执行，目前该功能已在macOS版Gemini应用中上线。在性能数据上，据Artificial Analysis评测，其流式转写的平均词错误率（WER）为4.0%，非流式场景下为2.6%，相比上一代Chirp 3模型，最终转写时间提升了70%。此外，模型支持85种以上语言的自动检测与转写，能适应地区口音和方言，并在预录音频中准确识别最多三位说话人（三人以上为实验性功能），附带词级时间戳。 对中国跨境电商卖家和AI从业者而言，这一模型的实际价值在于处理真实世界的语音数据。无论是客服通话录音分析、多语言会议纪要，还是语音下单场景中的地址和订单号识别，Gemini 3.5 Transcribe都针对这些痛点做了优化。开发者可通过Live API实现亚秒级延迟的双向流式交互，适合实时语音助手；通过Interactions API则可处理预录音频，获得带说话人归属和词级时间戳的转写结果。对于需要处理多语言客服或海外市场语音内容的团队，这提供了一个更精准的底层工具选项。