2026年8月26日 | 我们最新的语音转文本模型，旨在实现精确和智能的实时转录。Diego Melendo Casado，工程高级总监，Gemini Audio；Luke Leonhard，Gemini Audio的首席工作人员，代表Gemini Audio团队。 您的浏览器不支持音频元素。收听文章 [[duration]] 分钟 本内容由Google AI生成。生成式AI仍在实验中。今天，我们推出了Gemini 3.5转录，这是我们迄今为止最精确的语音转文本模型，旨在实现智能语音交互。与传统的语音识别模型在背景噪音、复杂术语和不流利性处理上存在困难不同，Gemini 3.5转录可以直接将原始音频转换为准确、完善、格式化的文本。在我们的产品，如Gemini应用程序和Android上，消费者已经受益于此转录模型的新语音功能，例如Android上的Rambler和macOS上的Gemini应用程序。现在，开发人员可以利用Google AI Studio和Gemini企业代理平台中的Gemini API与Gemini 3.5转录构建类似的功能。我们构建的3.5转录可以无缝地融入您的开发者工作流程中，无论您是在构建语音代理、实时字幕工具，还是通话后分析管道。该模型可通过两个独立的API获得： 实时流：通过Live API，使用gemini-3.5-transcribe-live为交互式语音应用提供连续的双向流媒体，延迟小于一秒。 预录音频处理：通过Interactions API，使用gemini-3.5-transcribe转录录音、会议、通话记录等，并具有发言者归属和单词级时间戳。 获得更精确和智能的转录。 Gemini 3.5转录旨在捕捉您的自然说话风格，以更好地理解您的意图并识别自定义词汇，从而使您能够用声音执行任务。 智能转录：无缝处理自我更正（如“我们周二见——不，周三”），移除填充词（“嗯”和“啊”），自动格式化文本。 函数调用：该模型能够通过函数调用将复杂任务（例如图像生成和文件分析）委托给其他Gemini模型。目前在Gemini macOS应用程序中可用。 更精确的转录：根据人工分析测量，流媒体平均单词错误率（WER）为4.0%，非流媒体使用案例为2.6%。它在嘈杂的现实环境中表现出色，准确捕捉字母数字实体，如邮政编码和订单ID。 自定义词汇：通过无缝调整转录以适应您提供的自定义词汇，识别专业术语和独特拼写。 全球语言支持：自动检测并转录超过85种语言，轻松处理地区口音和多种方言。 多发言人识别：在预录音频中准确定义发言，在最多三个发言者（支持3个以上的发言者为实验性）中提供时间戳。 Gemini 3.5转录的性能代表了我们之前的转录模型Chirp 3的重大进步，提供了新功能、改善的单词错误率和显著更好的延迟。例如，根据人工分析的测量，最终转录所需的时间提高了70%。在FLEURS基准测试中，该模型在一组主要语言和地区中提供了精确的多语言性能，提升了Chirp 3的表现，流媒体模式中的WER为5.50%，非流媒体使用案例中的WER为5.04%。 体验智能转录和先进的听写。 除了Google AI Studio和Gemini企业代理平台中的Gemini API，3.5转录使跨Google工作的体验更自然、直观。通过将上下文感知理解直接带入Gboard、Antigravity、Gemini应用程序和Chrome等日常界面，它轻松捕捉细微之处、意图和行内编辑。在Android上的Gboard，通过新功能Rambler，3.5转录将口语转换为格式良好的文本，过滤掉填充词。您还可以使用声音进行编辑，更正拼写错误，修改写作风格。在Google Antigravity上，3.5转录结合屏幕上下文和聊天历史（在您的许可下），确保跨文件名、代理想法和活动文档的准确转录。在Google AI Studio中，您可以在构建模式中访问3.5转录，实时用您的声音为应用程序编写代码。在macOS上的Gemini应用程序中，3.5转录不仅将您的自由自然语言转录为干净的格式化文本，还启用了可以与屏幕上下文无缝配合的语音命令，以推动复杂的工作流程。通过在后台调用其他Gemini模型进行繁重的工作，该模型使得总结本地文件、跨应用程序重新利用文本或即时生成图像变得轻松。