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 APIGemini 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。

  • 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。
  • 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。
  • 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。
  • 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 AgoraFishjamLangChainLiveKitPipecatVercelVision 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