2026年8月26日

|

我们最新的语音转文字模型,专为精准、智能的实时转写而设计。


Diego Melendo Casado

Gemini Audio 工程高级总监

Luke Leonhard

Gemini Audio 幕僚长,代表 Gemini Audio 团队


图片1:蓝色背景上显示文字“Gemini 3.5 Transcribe”及 Gemini 火花标志

音频3

收听文章

[[duration]] 分钟

此内容由 Google AI 生成。生成式 AI 处于实验阶段。

今天,我们推出 Gemini 3.5 Transcribe,这是我们迄今为止最精准的语音转文字模型,专为智能语音交互而设计。与在背景噪音、复杂术语和流畅度清理方面表现不佳的传统语音识别模型不同,Gemini 3.5 Transcribe 可将原始音频直接转换为准确、精炼、格式化的文本。

在我们如 Gemini 应用及 Android 等产品中,我们已经看到消费者通过新的语音功能受益于该转写模型,例如 Android 上的 Rambler 以及 macOS 上的 Gemini 应用。现在,开发者可以通过 Google AI Studio 中的 Gemini API 和 Gemini Enterprise Agent Platform 使用 Gemini 3.5 Transcribe 构建类似功能。

我们构建的 3.5 Transcribe 可无缝集成到您的开发者工作流程中,无论您是在构建语音代理、实时字幕工具还是通话后分析管道。该模型可通过两个独立的 API 使用:

  • 实时流式传输: 通过 Live API 使用 gemini-3.5-transcribe-live 提供亚秒级延迟的连续双向流式传输,适用于交互式语音应用。
  • 预录制音频处理: 通过 Interactions API 使用 gemini-3.5-transcribe 转写录制的音频、会议、通话记录等,并支持说话人归属和词级时间戳。

获得更精准、更智能的转写

Gemini 3.5 Transcribe 旨在捕捉您自然的说话风格,以更好地理解您的意图并识别自定义词汇,从而让您通过语音执行任务。

  • 智能转写: 无缝处理自我纠正(例如“我们周二见面——不,周三”),移除填充词(“嗯”和“啊”),并自动格式化您的文本。
  • 函数调用: 该模型可通过函数调用将复杂任务(如图像生成和文件分析)委派给其他 Gemini 模型。目前已在 Gemini macOS 应用 中可用。
  • 更精准的转写: 根据 Artificial Analysis 的测量,流式用例的平均词错误率(WER)为 4.0%,非流式用例为 2.6%。在嘈杂的真实环境中表现出色,能准确捕捉邮政编码和订单 ID 等字母数字实体。
  • 自定义词汇: 通过无缝调整转写结果以匹配您提供的自定义词汇,识别专业术语和独特拼写。
  • 全球语言支持: 自动检测并转写超过 85 种语言,无缝处理地区口音和多样方言。
  • 多说话人识别: 在预录制音频中准确归属语音,并为最多三位说话人提供时间戳(支持 3 位以上说话人处于实验阶段)。

Gemini 3.5 Transcribe 的性能相比我们之前的转写模型 Chirp 3 是一次重大进步,提供了新功能、更优的词错误率和显著改善的延迟。根据 Artificial Analysis 的测量,例如,最终转写时间改善了 70%。在一组主要语言和地区的 FLEURS 基准测试中,该模型提供了精准的多语言性能,优于 Chirp 3,在流式模式下实现了 5.50% 的 WER,在非流式用例中实现了 5.04% 的 WER。

图片2:流式语音识别准确率图表

图片3:流式语音识别准确率图表

体验智能转写与高级听写

除了 Google AI Studio 中的 Gemini API 和 Gemini Enterprise Agent Platform 之外,3.5 Transcribe 超越了标准语音转文字的功能,使跨 Google 的工作更加自然直观。通过将上下文感知理解直接带入 Gboard、Antigravity、Gemini 应用和 Chrome 等日常使用场景,它能够轻松捕捉细微差别、意图和内联编辑。

  • 在 Android 上的 Gboard 中,通过新的 Rambler 功能,3.5 Transcribe 将口述想法转换为格式良好的文本,并过滤掉填充词。您还可以使用语音进行编辑、纠正拼写错误以及更改写作风格。
  • 在 Google Antigravity 中,3.5 Transcribe 在获得您的许可后,结合屏幕上下文和聊天历史,确保在文件名、代理想法和活动文档中实现精准的转写准确性。
  • 在 Google AI Studio 中,您可以在 Build 模式下访问 3.5 Transcribe,随时通过语音快速编写应用。
  • 在 macOS 上的 Gemini 应用 中,3.5 Transcribe 不仅将您自由自然的语音转写为干净的格式化文本,还支持语音命令,可与屏幕上下文无缝配合以驱动复杂工作流程。通过在后台调用其他 Gemini 模型来处理繁重任务,该模型让您仅凭语音即可轻松总结本地文件、跨应用重用文本或在光标处生成图像。
  • 即将在 Chrome 中推出,您将能够在任何网页字段中通过语音输入——让您更自然、更轻松地通过语音口述回复、撰写帖子或提示 Gemini。

阅读早期评测

通过利用 Gemini Live API,诸如 Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel 和 Vision Agents 等开发者平台,使开发者能够轻松构建和部署高性能的语音驱动界面。这些平台在幕后管理复杂的实时媒体流基础设施,让开发者能够完全专注于打造用户体验。

Vivo、Intellitek Health 和 Lingopal 等公司也对 3.5 Transcribe 给予了积极反馈,称赞其出色的延迟表现、准确性和广泛的语言支持。

图片 4:vivo 推荐语

图片 5:IntelliTek 推荐语

图片 6:Lingopal 推荐语

图片 7:Stream 推荐语

图片 8:Agora 推荐语

图片 9:fishjam 推荐语

立即开始使用 3.5 Transcribe

在收件箱中获取 Google 最新资讯

订阅我们的新闻通讯,获取产品更新、活动信息、特别优惠等更多内容。

您的信息将按照 Google 隐私政策 使用。您可以随时选择退出。

本文内容采集自官方网站,排版和翻译可能与原页面存在差异。

阅读官方全文