Gemini 3.5 Transcribe – Google推出的最新语音转文本模型

Gemini 3.5 Transcribe 是谷歌推出的语音转文本模型，面向语音交互场景开发。传统语音识别模型在嘈杂环境、专业术语、口语冗余内容处理上存在短板，这套模型直接把原始音频素材输出为准确、经过润色、排版规整的文本内容。

该模型已经落地谷歌自有产品，安卓端 Rambler 功能、macOS 平台的 Gemini 客户端内部都在使用这套模型处理语音输入。外部开发者可以通过 Google AI Studio 以及 Gemini 企业代理平台的 API 接入，搭建属于自己的语音相关产品。模型对外提供两套独立接口，分别适配实时交互和历史录音处理。

实时流式接口使用gemini‑3.5‑transcribe‑live，依靠 Live API 完成双向持续数据流传输，端到端延迟控制在一秒以内，面向交互式语音应用开发。预录音频接口使用gemini‑3.5‑transcribe，依托 Interactions API 处理会议、通话录音文件，输出结果包含说话人归属信息以及逐词时间戳。

Gemini 3.5 Transcribe技术原理

整套模型依托 Gemini 3.5 基座做音频链路定制改造。音频信号送入模型后，先完成信号特征提取，转化为模型可解析的表征向量，再送入主干网络完成解码输出。

传统语音识别采用声学模型与独立语言模型拼接的两段式架构。Gemini 3.5 Transcribe 把声学解析、口语修正、语义理解、文本格式化全部收拢在同一个模型内部完成运算。音频特征和文本语义信息做深度融合，模型读取完整口语上下文，识别说话过程中的改口、自我修正、语气填充词。

两套推理逻辑对应两种接口形态。流式模式对音频做分片处理，片段持续送入模型，转写结果分段刷新输出，维持低延迟表现。文件处理模式读取全部音频特征，基于完整全局信息运算，拿到更高识别准确度。

模型开放提示词配置通道，外部调用时传入参数，调整口语清理力度、输出格式，导入自定义专有名词列表。对比前代 Chirp 3，转写完成耗时缩短 70%，多语言基准测试 FLEURS 数据集上，流式模式词错率 5.50%，非流式模式词错率 5.04%。

Gemini 3.5 Transcribe核心特点

流式场景实测词错率 4.0%，预录音频场景词错率 2.6%。现实环境的噪音干扰下，邮政编码、订单编号这类字母数字混合内容依旧可以稳定识别。

识别过程可以捕捉人说话时的自我修正行为，处理口语里的改口内容，过滤嗯、啊这类填充词，自动给文本添加标点、划分段落。这套文本整理逻辑支持开关切换，需要原始逐字记录的场景可以直接关闭。

支持函数调用机制，转写流程当中把任务分发至其他 Gemini 模型，完成图片生成、本地文件解析这类工作。该能力在 macOS 版 Gemini 客户端已经上线可用。

提供自定义词汇录入能力，录入行业术语、特殊人名、专属拼写，识别阶段优先匹配自定义词条，适配垂直领域业务。

覆盖超过 85 种语言，自动识别音频语种，单段音频内部出现多种语言交替，也可以正常完成转写，兼容各地口音与方言。

预录音频模式下，最多区分 3 位说话人，输出附带逐词时间戳。超过 3 人的说话人区分还处在实验阶段。

Gemini 3.5 Transcribe主要功能

实时流式转写。对接麦克风持续推送的音频流，分片返回文本片段，满足交互类产品对低延迟的硬性要求。

录音文件批量转写。上传已经保存的音频文件，输出完整转写结果，附带时间戳标记、说话人身份标记。

口语内容整理。过滤语气填充词，识别口头改口，输出排版整洁的可读文稿，原始录音留存需求下关闭整理开关，拿到一字不差的口述记录。

自定义词条适配。导入业务专属词汇清单，降低专业内容识别出错概率。

多语种混合音频处理。自动判别音频语种，不需要提前手动指定音频语言。

跨模型任务分发。转写环节触发函数调用，把后续工作交给其他模型，执行文件摘要、内容解析等操作。

Gemini 3.5 Transcribe项目地址

• 项目官网：https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-5-transcribe/

Gemini 3.5 Transcribe应用场景

手机端语音输入。安卓 Gboard 的 Rambler 功能依托这套模型，口述内容直接生成排版完成的文字，语音指令还能完成改错、改写文本风格。

会议录音处理。导入会议录音，生成带说话人标记的文稿，减少人工整理录音的工作量。

实时字幕输出。直播、线上课堂、远程会议场景生成字幕，应对现场环境噪音和口音混杂的音频素材。

通话后内容分析。读取客服通话存档音频，产出结构化文本用于业务归档。

桌面端语音工作流。macOS Gemini 客户端依靠语音指令联动屏幕上下文，语音即可触发本地文件总结、跨应用文本复用、光标位置生成图片。Chrome 浏览器后续版本会接入模型，网页输入框支持直接口述输入内容。

开发者搭建语音代理。借助第三方开发平台，不用维护底层流媒体基础设施，专注做产品交互层开发。医疗、跨境语言服务类企业已经开展实际业务落地。

法律取证、档案留存场景，不要直接使用经过润色整理后的文稿。关闭全部口语整理逻辑，获取逐字转录版本保留全部口述细节。

开发者接入说明

开发者身份用户，在公开预览阶段，通过 Google AI Studio、Google Antigravity 调用模型 API。企业用户走 Gemini 企业代理平台接入，面向客户体验的企业版能力会后续上线。普通使用者可以直接体验 macOS Gemini 客户端，安卓 Rambler 功能在部分国家地区开放，Chrome 浏览器的语音输入能力等待版本更新。

两套接口分开使用，实时语音交互选择 live 版本接口，处理本地音频文件选择标准 Transcribe 接口。上线正式业务之前，需要拿真实业务音频样本做效果验证。

Gemini 3.5 Transcribe同类产品对比