谷歌发布了 Gemini 3.5 Transcribe，这是一款专门用于将语音转换为文本的全新人工智能模型。该公司称其为迄今为止最精准的系统，专为智能语音交互而设计。与传统系统不同，该模型不仅能转录语音内容，还能理解说话者的意图，实时纠正错误，并生成清晰、格式正确的文本。
该模型专为实时和录音使用而设计，即使在嘈杂的环境、带有浓重口音或包含专业术语的语音中也能表现出色。此外，它还能自动检测超过 85 种语言，识别多达三位说话者，并逐字添加时间戳。根据独立测试，所有这些功能都实现了极低的错误率。
智能转录：不仅仅是语音输入
Gemini 3.5 Transcribe 的一项关键功能是能够理解自我纠错。例如，如果说话者说“我们周二见面吧……不，周三”，模型会使用第二个选项。它还能消除“呃”或“嗯”之类的语气词，并自动添加标点符号和格式。此外，它还允许您添加自定义词汇表，以识别专有名词、专业术语或不常用词。根据谷歌发布的数据，通过人工分析测得，流媒体音频的单词错误率为 4%，预录音频的单词错误率为 2,6%。
另一个突出特点是速度。与前代产品 Chirp 3 相比，谷歌声称获取最终文本的时间缩短了 70%。在实时流媒体播放中，延迟不到一秒，使其能够用于实时字幕或语音助手。
融入谷歌生态系统
Gemini 3.5 Transcribe 已集成到多款 Google 产品中。在 Android 系统上，Gboard 的 Rambler 功能就采用了这种模型进行语音转文本输入。macOS 版 Gemini 应用也支持此功能，用户可以结合屏幕上下文使用语音命令来摘要文件、生成图像或重用文本。此外，Google Antigravity 也采用了该模型，将屏幕上下文和聊天记录结合起来使用。
该公司还宣布，Chrome浏览器即将推出这项功能。届时，用户无需打字即可在任何网页字段（例如电子邮件、表单或帖子）中语音输入文本。虽然目前尚未公布具体日期，但预计这项功能将扩大浏览器语音转录的使用范围。
开发人员可用性
对于开发者而言，Gemini 3.5 Transcribe 现已通过 Gemini API、Google AI Studio 和 Gemini 企业代理平台提供公开预览版。该版本提供两个版本：实时 API，用于实现延迟低于一秒的实时双向流传输；以及交互 API，用于处理预录音频，并可添加说话人归属和时间戳。前者专为语音代理和实时字幕而设计，后者则适用于会议、访谈或通话分析。
该模型还可以通过函数调用将复杂任务（例如图像生成或文件分析）委托给其他 Gemini 模型。此功能目前已在 macOS 版 Gemini 应用中提供。
谷歌致力于将语音作为主要交互方式，而 Gemini 3.5 Transcribe 的推出进一步强化了这一承诺。它兼具准确性、速度和智能功能，使其成为用户和开发者不可或缺的工具。随着它即将登陆 Chrome 浏览器，语音听写有望在网络上普及。它能否适应更严苛的使用场景还有待观察，但初步数据令人鼓舞。