Google日前在官方部落格宣布推出最新的語音轉文本模型 Gemini 3.5 Transcribe。與在背景噪音、專業術語等場景下頻頻失手的傳統語音識別方案不同，該模型可將原始音頻直接轉換為準確、整潔且已排版的文本。
性能是本次升級的重點。據 Artificial Analysis 測量，Gemini 3.5 Transcribe 的平均詞錯率（WER）為流式 4.0%、非流式 2.6%；在 FLEURS 多語言基準上分別為 5.50% 與 5.04%，全面優於上一代模型 Chirp 3，最終轉寫耗時縮短 70%。
具體能力上，模型的智能轉寫可處理諸如「我們周二見面——不，還是周三吧」這類口誤自我糾正，自動去除語氣詞並完成排版；函數調用功能允許它將圖片生成、文件分析等任務委託給其他 Gemini 模型執行（目前見於 macOS 版 Gemini 應用）；在噪音環境下仍能準確識別郵政編碼、訂單號等字母數字實體；藉助自定義詞表可適配專業行話與特殊拼寫；支持 85 種以上語言及方言口音；預錄音場景下最多可為三名說話人做歸屬標註。
模型也正在進入 Google 各條產品線：Android 版 Gboard 的 Rambler 功能借其實現語音整理成文與口述編輯；Antigravity 利用螢幕上下文和聊天記錄提升轉寫精度；Chrome 的「隨說隨寫」功能即將上線。
調用方面，模型通過兩套 API 提供服務：基於 Live API 的實時流式接口（gemini-3.5-transcribe-live）支持雙向流式傳輸，延遲低於一秒；基於 Interactions API 的錄音轉寫接口可處理會議與通話錄音，提供詞級時間戳。目前兩者均已在 Google AI Studio 與 Gemini Enterprise Agent Platform 開啟公開。
