谷歌重磅发布 Gemini 3.5 Transcribe 刷新语音识别精度

谷歌近日宣布推出其 Gemini 家族语音转文字模型的最新版本 —— Gemini 3.5 Transcribe。这家搜索巨头表示，这是该系列迄今为止精度最高的语音识别模型。

Gemini 3.5 Transcribe

新模型在处理背景噪音和复杂专业术语方面表现更为出色。谷歌指出，得益于这一新模型，macOS 端 Gemini 应用以及 Android 端 Gboard 键盘的 Rambler 功能均已实现性能提升。同时，开发者也可利用该模型打造语音智能体、实时字幕工具或通话后分析系统。

谷歌在博客中写道：“Gemini 3.5 Transcribe 旨在捕捉用户的自然说话风格，从而更好地理解用户意图并识别自定义词汇，让用户能够通过语音高效执行各类任务。”

这款全新的 AI 模型还配备了一系列提升输出质量的新功能。首先，它具备自我纠错能力，能够自动去除口语中的填充词（如“嗯”、“啊”），并实现文本的自动排版。此外，它还能将文件分析、图像生成等复杂任务无缝委派给其他 Gemini 模型处理。

据谷歌介绍，Gemini 3.5 Transcribe 提供了更精准的转录服务，在流式传输和非流式传输场景下的平均词错率（WER）分别仅为 4.0% 和 2.6%。在嘈杂环境中，该模型依然能保持出色的识别效果，并能准确捕捉订单号、邮政编码等字母数字混合实体。

Gemini 3.5 Transcribe

目前，Gemini 3.5 Transcribe 支持 85 种语言，并兼容多种地区口音与方言。在处理预录音频时，它最多可为三位说话人进行语音分离并添加时间戳；同时，模型支持用户自定义专属词汇表，能够精准识别特定领域的专业术语及特殊拼写。

在可用性方面，谷歌表示开发者现已可通过 Google AI Studio 和 Google Antigravity 在 Gemini API 中公开预览 Gemini 3.5 Transcribe。普通用户则可在 Android 和 macOS 平台上进行体验。此外，该模型即将登陆 Google Chrome 浏览器，届时用户可在任意网页输入框中实现“语音输入”。

除了语音识别模型，谷歌在 Gemini 领域近期动作频频。公司刚刚发布了 Gemini 3.7 Flash 模型，正式加入 AI 价格战。同时，面向美国用户的 Android 版 Chrome 浏览器已全面上线 Gemini 功能，该 AI 助手也被集成到了 Waymo 的最新无人驾驶出租车中。

最后，对于有人声音频分离需求的用户，也可以通过简鹿人声分离来使用 AI 模型轻松从音频中分离人声或伴奏，它支持 Windows 和 macOS 系统，是制作音乐处理音频的好帮手。