Gemini 3.5 Transcribe发布:口头禅自动消失,准确率4%速度飙升70%
Google在2026年8月26日推出Gemini 3.5 Transcribe,这是该公司目前最精准的语音转文字模型。与传统语音识别方案不同,它不仅负责“听清楚”说什么,还试图理解说话者真正想表达的意思——自动删除口头禅、修正自我纠正内容、生成通顺整洁的格式化文本。实时流式转写延迟低于1秒,词错误率仅为4%,相比前代Chirp 3速度提升约70%。目前已通过Gemini API开放公共预览,同时进入Pixel 11的Gboard键盘和macOS版Gemini应用。1
先说说这个模型到底解决了什么问题
用过语音输入的人都有过这种体验:说了一堆,回头一看,满屏都是"嗯""呃"和说错又改的半句话。想把一小时会议录音整理成文字,光删这些无意义的内容就得折腾半小时。传统转写模型只负责把声波转成字符,不会帮你清理这些噪音。Gemini 3.5 Transcribe的智能转写模式直接接管了这个痛点——它能识别"我们周二见面——不,还是周三吧"这类口误自我纠正,自动输出修正后的最终内容,连语气词都不留。2
有人觉得这东西太猛了,连说话习惯都给改了。实际上模型提供两种模式:verbatim模式尽量保留原话,smart模式负责清理和排版。需要原始措辞的场景——法律取证、医疗记录、采访存档——仍然可以用逐字模式,只是这些场景建议人工复核。毕竟模型在转写过程中会尝试理解意图并调整表述,不适合要求严格保留原话的情况。3
延迟低于1秒,具体能快到什么程度
Google这次给出了具体数据:实时流式转写平均词错误率4%,非实时模式2.6%。最终转写结果生成时间比Chirp 3缩短70%——也就是说,同样一小时的录音,新模型处理完的时间只有旧版的不到三分之一。流式转写延迟低于1秒,意味着从开口说话到看到对应文字,几乎感觉不到等待。4
不过"Google最准"不等于"全行业第一"。Artificial Analysis当前非实时语音转写榜单中,Gemini 3.5 Transcribe排名第五,前面还有阿里云Fun-Realtime-ASR-preview、ElevenLabs Scribe v2等模型。实际办公场景中,85%-90%的转写准确率已经足够应对大多数会议纪要需求,但涉及法律、医疗等高风险领域,误差的影响会被放大,仍需谨慎使用。5
85种语言的支持,具体能覆盖哪些场景
Gemini 3.5 Transcribe支持85种以上语言和地区变体,包括简体中文普通话和繁体粤语,还能处理一句话里来回切换语言的情况。预录音场景下最多可区分3名说话者并标注发言归属,同时提供单词级时间戳;超过3名说话者目前仍处于实验性支持阶段。处理方言口音时也做了优化,地区口音识别率更高。1
普通用户目前能直接体验的渠道有两个:Pixel 11上的Gboard键盘已经上线了"Rambler"功能,macOS版Gemini应用也能调用该模型进行语音分析和文本改写。Chrome浏览器的"随说随写"功能即将上线,到时候可以直接在网页输入框里用语音完成文本内容的输入和编辑。1
成本核算:每小时录音要花多少钱
开发者接入有两种方式:实时流式API(gemini-3.5-transcribe-live)走Live API,适合直播字幕、语音输入、客服通话这类边说边出的场景;录音转写API(gemini-3.5-transcribe)走Interactions API,适合处理已经录好的会议、访谈和电话录音。按Google官方估算,非实时转写综合成本约为每分钟0.005美元,实时版约为每分钟0.009美元,换算下来一小时的录音分别约为0.30美元和0.54美元。这个价格只反映API的音频输入和文字输出,不包括存储、网络和上层应用的开发成本。6
还有几个硬边界要注意:实时会话最长10分钟,而且实时版暂不支持说话人区分和单词级时间戳;录音文件单次最长1小时,开启说话人区分或单词级时间戳后上限缩短到30分钟;三人及以上的说话人归属仍被标为实验功能,稳定性可能不如预期。6
这个模型适合谁用,哪些场景暂时别指望
最直接受益的是需要频繁整理会议纪要的群体。30分钟的周会用它转写,准确率约90%,基本不需要大改;45分钟的项目评审会准确率约87%,音色相近时偶尔会混淆说话人;超过一小时的长会稳定性会下降,建议分段处理。对于做采访、做口述内容的用户,smart模式生成的文本可以直接拿来二次编辑,省去大量清理口语的时间。5
- 适合场景
企业会议纪要、周报整理、采访录音转写、客服通话存档、直播字幕生成 - 需要谨慎的场景
法律取证、医疗记录、新闻采访存档——这些需要严格保留原始措辞的领域,建议用verbatim模式并人工复核 - 暂时不适用的场景
超过10人的多人会议、需要精准方言区分的专业口音识别、对延迟要求极高的实时交互场景
除了Google自家的模型,市场上还有阿里的Qwen-Audio-3.0-ASR-Flash、ElevenLabs Scribe v2等竞品在做类似的事情——口语里的口头禅去掉、自我纠正只保留最后意思、结巴的重复整理成书面表达。语音转文字正在从"听写工具"进化成"理解意图的助手",接下来这类能力会成为更多产品的标配,而不是单独售卖的功能。7
当前文章无评论,是时候发表评论了