谷歌发布最强语音转文本模型

8月26日，谷歌发布新一代语音转文本模型Gemini 3.5 Transcribe，可在转录中自动处理“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。谷歌CEO Pichai在X上宣布该模型，称其为“迄今最精确的语音转文本模型”。

与传统逐字记录模型不同，该模型旨在将原始语音直接转换为接近成稿的文本，减少用户整理会议记录、采访速记和通话内容的工作量。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修正，并在最终文本中保留正确结果。

模型支持85种以上语言和地区变体，能自动判断当前语言，无需预设语种，即使一句话或同一段对话中切换语言也可继续转录。这主要面向跨国会议、多语言访谈、客服通话及中英文专业术语夹杂的场景。谷歌称，模型针对嘈杂环境、不同口音和多语言对话进行了优化，并增强了对电话号码、邮政编码、订单号等字母数字混合信息的识别能力。

模型支持自定义词表，开发者最多可提供1000个专业词汇、缩写、人名或产品名称，但实际使用中控制在100个词以内效果更好。例如，技术采访可提前加入Kubernetes、BigQuery等专业名词，减少识别错误。

Gemini 3.5 Transcribe还提供“说话人分离”能力，可识别最多8名说话人，但三人以上识别仍属实验性能力。预录制音频可输出逐词时间戳，方便制作字幕或检索原话。启用说话人分离或时间戳后，单次录音上限为30分钟；普通音频转录支持单次最长1小时。

据谷歌引用的Artificial Analysis测评数据，该模型在实时流式场景中平均词错误率为4.0%，非流式录音处理为2.6%。与上一代模型Chirp 3相比，最终转录延迟缩短70%。实时版本可通过WebSocket持续接收语音，并以低于一秒延迟返回阶段性结果。

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用于处理预录制音频，支持说话人分离和逐词时间戳。开发者可通过Google AI Studio中的Gemini API及Gemini Enterprise Agent Platform调用。实时转录价格约每分钟0.009美元，非实时约每分钟0.005美元，并提供免费测试额度。

该模型最值得关注的是语音转录工具正从“听写”走向“整理”。Smart Transcription功能会主动清理语气词和重复内容，处理自我修正，并支持“逆文本规范化”，如将“twenty six million dollars”转换为“$26M”。但这也带来风险：在新闻采访、法律取证等需逐字核对的场景中，自动删除或改写可能改变原始措辞。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。

目前，该技术已进入谷歌产品。Android版Gboard的Rambler功能可将口述内容转换为格式化文本；macOS版Gemini应用可结合屏幕上下文识别文件名和文档，并通过语音指令调用其他模型完成任务。

尽管有用户批评谷歌“看不清形势”，认为其产品节奏与行业焦点错位，但该模型的目标是补齐语音Agent进入生产环境前的基础层：让机器先稳定听懂人类。在客服、会议、采访等场景中，背景噪声、多人说话、临时改口和复杂信息仍会影响后续Agent执行。自动去除语气词、理解修正并输出格式化文本，实际上是将语音整理成更适合模型处理的结构化上下文。

真正的问题在于，谷歌若只将其作为孤立转录服务，价值有限；只有嵌入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，它才可能体现战略意义。