8月26日，谷歌发布Gemini 3.5 Transcribe，官方直接把它称为”迄今最精确的语音转文本模型”。对做语音应用、字幕、会议记录的人来说，这是一次实打实的能力换代。

数字层面的进步

按第三方机构Artificial Analysis的测量，Gemini 3.5 Transcribe在流式场景的平均词错误率（WER）是4.0%，非流式更低，只有2.6%；相比上一代Chirp 3，最终转写时间提升70%。FLEURS多语言基准上，词错误率5.04%，属于当前公开语音转写模型的头部水平。

语言支持覆盖85种以上，自动识别地区口音和方言；预录音频能区分最多3位说话人并给出时间戳。对中文用户来说，带口音的普通话、夹杂英文术语的会议、嘈杂环境里的录音，这些以前容易翻车的场景都是它优化的重点——官方说它在真实世界的嘈杂环境中表现稳定，还能准确抓取邮政编码、订单号这类字母数字实体。

聪明的地方在”会整理”

传统语音识别是把声音变成字，Gemini 3.5 Transcribe多做了两步”整理”：智能转写会自动处理说话人自我纠正（比如”周二见面——不对，周三”），去掉”嗯””啊”这类填充词，并自动格式化文本；自定义词汇表能识别专业术语和独特拼写，医疗、法律、技术这类领域的词表可以直接喂给它。它还支持函数调用——转写过程中可以把图像生成、文件分析等子任务委托给其他Gemini模型。

怎么用

开发者有两条API：Live API做实时双向流式转写（亚秒级延迟，适合语音助手、实时字幕），Interactions API处理录音、会议、通话记录（带说话人归属和时间戳）。模型标识分别是gemini-3.5-transcribe-live和gemini-3.5-transcribe，今天起在Google AI Studio公开预览。

大众端也已经铺开：Gemini的macOS应用支持语音转写和结合屏幕上下文的语音操作，安卓的Gboard新增Rambler功能——说话直接变成格式良好的文字，还能用语音编辑、纠正拼写。Chrome里”边说话边打字”也快来了。