使用 Gemini 3.5 Transcribe 进行AI智能转录

发布日期：2026-09-06 07:15:06 浏览次数： 1760

作者：AI音频时代

微信搜一搜，关注“AI音频时代”

Google 正式推出 Gemini 3.5 Transcribe——迄今为止最精准的语音转文本模型，专为智能语音交互而设计。

与难以应对背景噪音、复杂术语及口语不流畅问题的传统语音识别模型不同，Gemini 3.5 Transcribe 能将原始音频直接转换成准确、精炼且格式规整的文本。

在 Gemini 应用及 Android 等产品中，消费者已受益于这一转录模型带来的新语音功能，例如 Android 上的 Rambler 功能以及 macOS 上 Gemini 应用内的相关功能。开发者现可通过 Google AI Studio 和 Gemini Enterprise Agent Platform 中的 Gemini API，使用 Gemini 3.5 Transcribe 构建类似的功能。

该模型能够无缝集成到开发工作流程中，无论是构建语音代理、实时字幕工具，还是通话后分析管道。模型可通过两个独立的 API 使用：

实时流式处理：通过 Live API（使用 gemini-3.5-transcribe-live），为交互式语音应用提供亚秒级延迟的连续双向流式传输。
预录制音频处理：通过 Interactions API（使用 gemini-3.5-transcribe），转录录制的音频、会议、通话记录等，并提供说话人归属和词级时间戳。

获取更精准、更智能的转录

Gemini 3.5 Transcribe 旨在捕捉用户的自然说话风格，以更好地理解其意图并识别自定义词汇，帮助用户通过语音执行任务。

智能转录：无缝处理自我修正（例如“我们周二——不，周三见面”），移除填充词（如“嗯”、“啊”），并自动格式化文本。
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。该功能目前已在 macOS Gemini 应用中提供。
更精准的转录：据 Artificial Analysis 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%。在嘈杂的现实环境中表现出色，能准确捕获邮政编码和订单ID等字母数字实体。
自定义词汇：通过根据用户提供的自定义词汇无缝调整转录内容，识别专业术语和特殊拼写。
全球语言支持：自动检测并转录超过 85 种语言，无缝处理地区口音和多种方言。
多说话人识别：在预录制音频中，可准确标注最多三位说话人的语音并附带时间戳（对 3 位以上说话人的支持为实验性功能）。

Gemini 3.5 Transcribe 支持实时语言切换和无缝流式转录。

性能飞跃

Gemini 3.5 Transcribe 的性能标志着其从此前的转录模型 Chirp 3 实现了重大进步，提供了新功能、更低的词错误率和显著改善的延迟。据 Artificial Analysis 测量，最终转录时间提升了 70%。在一组顶级语言和地区的 FLEURS 基准测试中，该模型在流式模式下实现了 5.50% 的词错误率 (WER)，在非流式用例中实现了 5.04% 的 WER，展现了精准的多语言性能，优于 Chirp 3。

体验智能转录与高级语音输入

除了在 Google AI Studio 和 Gemini Enterprise Agent Platform 中提供的 Gemini API 外，3.5 Transcribe 的功能不止于标准语音转文本，它让在 Google 各产品中的操作更加自然和直观。通过将上下文感知理解直接带入 Gboard、Antigravity、Gemini 应用和 Chrome 等日常界面，它能够轻松捕捉细微差别、意图和内联编辑。

在 Android 的 Gboard 上，通过新的 Rambler 功能，3.5 Transcribe 可将口语想法转换为格式规整的文本，并过滤掉填充词。用户还可以通过语音进行编辑、更正拼写错误和更改写作风格。

在 Google Antigravity 上，经用户许可后，3.5 Transcribe 会结合屏幕上下文和聊天记录，以确保跨文件名、代理思路和活动文档的转录精准无误。

在 Google AI Studio 中，用户可以在 Build 模式下访问 3.5 Transcribe，通过语音即时构建应用。

在 macOS 的 Gemini 应用中，3.5 Transcribe 不仅能将用户的自由语音转录为整洁的格式化文本，还能启用语音命令，与屏幕上下文无缝配对以驱动复杂的工作流程。通过后台调用其他 Gemini 模型处理繁重任务，该模型让用户仅凭语音即可轻松总结本地文件、跨应用重新利用文本或在光标处生成图像。

即将在 Chrome 浏览器中推出，用户将能够在任何网页输入框中通过语音输入——更自然、更轻松地用语音回复、起草帖子或在 Chrome 中向 Gemini 提问。

早期评价

通过利用 Gemini Live API，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。这些平台在后台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，强调了其令人印象深刻的延迟、准确性和广泛的语言支持。