Google发布Gemini 3.5 Transcribe

Gemini 3.5 Transcribe不仅仅是将音频转为文字——它还会编辑内容。Google称之为“智能转录”：该模型会剔除“呃”“啊”等填充词，修正句中自我纠正，并将杂乱的口语整理为清晰可读的文本，而非对所说内容进行字面记录。在Google自身的示例中，“呃，所以关于会议，我觉得我们应该，呃，邀请Alice和，等等不对，Bob和Carol”被直接简化为“关于会议，我觉得我们应该邀请Bob和Carol。”^[2]这与过去力求逐字匹配音频波形的ASR系统截然不同——该系统旨在还原说话人本意^[1]。

在底层，“Gemini 3.5 Transcribe”实际上是两个独立模型。gemini-3.5-transcribe通过Interactions API处理预录制音频，支持说话人分离、词级时间戳，以及最多1,000个术语的自定义词汇偏置，可处理最长一小时的音频文件（若启用说话人分离或时间戳，则最长30分钟）。而gemini-3.5-transcribe-live则通过Live API进行流式传输，以牺牲上述功能为代价，实现低于200毫秒的中间结果延迟——但会将单次会话限制在10分钟内，并完全跳过说话人分离和词级时间戳^[2]。这种拆分方式与产品发布时的定位一致：一个端点专注于录音的准确性，另一个则强调实时响应速度^[3]。

Google援引Artificial Analysis的独立测试数据称，该模型在预录制音频上的平均词错误率为2.6%，在实时流式音频上为4.0%^[2]。在FLEURS多语言基准测试中，非流式模式下词错误率为5.04%，流式模式下为5.50%^[2]——有独立分析指出，这些成绩优于Google此前的Chirp 3模型、OpenAI的实时转录模型以及Deepgram的Nova 3。不过评测者提醒，不同基准测试使用的音频条件各异，建议根据实际使用场景进行测试，而非仅依赖表面数据。Google还声称，相比Chirp 3，最终转录时间提升了70%^[3][4]，预计定价约为每批量分钟0.005美元，每实时分钟0.009美元^[2]。

Google上一代旗舰转录模型Chirp 3是一个独立引擎。而Gemini 3.5 Transcribe的定位截然不同：它被作为代理工作流的底层基础，支持函数调用，可在转录会话中将后续任务（如生成图像或执行网络搜索）交由其他Gemini模型处理^[4]。这一重新定位意义重大，因为它将转录功能整合进团队构建语音代理所使用的同一界面中，而非作为事后附加的独立流程。这一战略定位也体现在平台公布的早期集成合作伙伴名单中，涵盖语音代理基础设施（LiveKit、Pipecat、Agora、Vision Agents）、开发工具（LangChain、Vercel）以及垂直应用（IntelliTek Health、Lingopal）。

发布后一天内，独立开发者已开始发布演示项目——有开发者开源了一个基于该模型构建的类似Wispr Flow的语音输入应用，Google开发者账号随后也展示了社区开发的项目，涵盖语音优先代理和多语言音频工具。社交媒体讨论中最常被提及的亮点是该模型准确处理句中语言切换的能力。Reddit上的反应总体积极，有用户称该模型在一项难度较高的芬兰语数据集上表现优于Whisper和OpenAI的转录模型，但反馈并非完全一致：有用户表示在自家对比测试中，某竞品ASR模型表现更优；另有用户遭遇付费Gemini订阅层级的使用上限；还有人指出，实时/流式端点仍无法区分多个说话人，因为说话人分离功能仅限批量处理。