Google 发布 Gemini 3.5 Transcribe：错词率仅 2.6%，支持 85+ 种语言

用语音输入发消息或做会议纪要时，最让人头疼的就是满嘴的「嗯」「啊」，以及说到一半突然改口说「不对，改成下午三点」。传统的语音识别工具通常会把你所有的口误和语气词照单全收，留下一堆乱糟糟的文字让你手动修改。

Google 正式推出了全新的语音转文字模型 Gemini 3.5 Transcribe。它最大的变化，就是不再只当一个死板的听写员，而是开始理解你的真实表达意图。

不只听得准，还会自动帮你「打草稿」

根据评测机构 Artificial Analysis 的实测，Gemini 3.5 Transcribe 在处理预录音频时的词错误率（WER）只有 2.6%，实时流式转录的错误率也压到了 4.0%。相比 Google 上一代的 Chirp 3 模型，新模型的最终转录耗时缩短了 70%，在 FLEURS 多语言基准测试中，流式和非流式错误率分别达到 5.50% 和 5.04%。

比单纯的准确率更有意思的是它的智能清洗能力。模型提供了逐字记录和智能转录两种模式。在智能模式下，你说「来杯大杯拿铁加燕麦奶，不对，换成中杯」，它打出来的文字会直接修正为中杯；那些下意识说出来的语气词会被自动剔除，邮编和订单编号这类复杂的字母数字混排也能准确辨识。

它还支持超过 85 种语言的自动检测，甚至能应对一句话里混杂多国语言的情况，中途在英语、西班牙语和印地语之间无缝切换也不会卡壳。针对会议录音，它能对最多三位说话人进行精准区分，并附带词级时间戳。

语音输入变成了系统级调度入口

Google 并没有把它单纯当成一个 API 接口，而是直接嵌进了自家生态。开发者目前可以在 Google AI Studio 和企业级代理平台上调用该模型，接口分为面向实时交互的 Live API 和处理录音文件的 Interactions API。

在终端产品上，Android 的 Gboard 键盘通过 Rambler 功能引入了该模型，支持直接口述修改文字和切换文风；macOS 版的 Gemini 客户端则更进一步，允许模型通过函数调用去指挥后台的其他 Gemini 模型，你动动嘴就能让它结合屏幕内容去总结本地文件或者生成配图；这项能力后续还会覆盖 Chrome 浏览器的所有网页输入框。

包括 vivo、LangChain、LiveKit 和 Vercel 在内的外部厂商与平台，也已经开始把该模型接入自家的语音管线。

为什么重要

我们认为，Google 这次最聪明的做法，是把语音识别和初级语义理解做进了一道工序里。

过去搭建一个好用的语音 Agent，开发者通常要先用语音模型转成文字，再调用一个大模型去清洗语气词、纠正倒装口误，这不仅多花了一份推理成本，还平白增加了交互延迟。Gemini 3.5 Transcribe 在输出阶段就把这些杂质过滤掉了，这对需要亚秒级响应的实时语音交互场景来说是个非常实用的升级。

对于日常办公和普通用户来说，动嘴输入的心理门槛终于变低了。你不再需要字正腔圆地像播音员一样说话，哪怕语无伦次、反复改口，它也能整理出一份干净规整的文本。

不过它的边界也很明确。针对三人以上的多人会议话者分离目前依然挂着实验性标签，复杂讨论场景的表现仍需观察；此外，虽然语音触发系统操作的功能很诱人，但目前主要依赖 macOS 客户端等特定生态，普通用户想要在网页和移动端全面体验这种交互，还得等 Chrome 等入口正式推送。