一句话看懂：Google 发布新一代语音转录模型 Gemini 3.5 Transcribe，能把口语化、带口头禅的长篇语音直接整理成干净的结构化文本，并计划让 Chrome 浏览器任意网页输入框都支持语音输入。
事件核心：发生了什么
据 Engadget 报道，Google 于 8 月 26 日公布了 Gemini 3.5 Transcribe 模型，定位是新一代 AI 语音识别与转录方案。相比前代，该模型在准确率上有明显提升，能自动识别超过 85 种语言，并可理解用户的自发修正（self-corrections）、移除“嗯”“啊”等填充词，将口语直接转换为格式规整的文本。它还支持自定义词库和特殊拼写，并能准确捕捉订单号、邮编等字母数字混合字符串。
针对多人对话场景，模型可以为预先录制的音频分配至多三个说话人，并输出词级时间戳，适合播客或会议纪要整理。Google 同时表示，Gemini 3.5 Transcribe 已应用于 Android 设备（如 Pixel 11 系列）的 Rambler 功能，以及 macOS 版 Gemini App。更值得关注的是，该模型即将被整合到 Chrome 浏览器中，未来用户能在任意网页字段中直接通过语音进行输入、回复或唤起 Gemini；此外它也已开放给 Google Antigravity 开发者平台，并计划陆续接入 Search Live、Gemini Live、Docs、Keep 与 Gmail。
为什么重要
Gemini 3.5 Transcribe 的发布，标志着 AI 语音交互从“听得懂”向“整理得干净”迈进了一步。传统语音转文字只是把声音变成文本，而这一代模型主动处理了口语中的冗余信息，意味着 AI 开始具备“编辑”能力而不只是“识别”能力。对于 Google 而言，这不仅是模型能力的迭代，更是将 AI 语音能力以 API 和浏览器内置形式嵌入整个生态的关键布局——当语音输入在 Chrome 的任意字段中可用时，Google 实际上将语音交互从独立 App 延伸到了全网页面，这会显著抬高其 AI 助理的使用频次和入口价值。
从行业竞争看，OpenAI 的 Whisper 系列和 Anthropic 的语音能力目前仍以开发者调用为主，而 Google 选择把模型直接放进浏览器和邮件、文档等高频生产力工具中，走的是一条“默认预装”的渗透路线，这可能带动新一轮语音模型在端侧部署和低延迟推理上的军备竞赛。
对用户/开发者/创作者的影响
对普通用户：最直接的变化是 Chrome 浏览器内几乎所有输入框都可以“说话代替打字”。无论是写邮件、发帖还是搜索引擎中输入问题，都可以用自然口语完成，系统会自动清理口头禅并输出整齐的文本。对于需要大量文字输入但打字不便的用户，这能明显降低操作成本。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对开发者：模型将通过 API 开放，意味着第三方应用可以快速接入高质量的多语言转录能力，尤其是带说话人分离和词级时间戳的功能，对会议记录、客服质检、内容审核等场景有直接价值。开发团队无需再从零训练语音模型，只需调用 API 即可获得接近成品级的功能。
对内容创作者：播客制作人或视频博主可以借助多人识别与时间戳，大幅缩短字幕整理和章节标注的时间。口头内容的初稿被自动“打磨”成干净文本之后，创作者可以直接以此为稿件基础，减少后期编辑工作量。
值得关注的后续
目前公开信息显示，Gemini 3.5 Transcribe 已在部分 Pixel 设备和 macOS 端上线，但 Chrome 全网页字段的语音输入功能尚未公布具体推送时间表。后续值得观察三点：一是该模型 API 的定价策略及延迟表现，能否在成本上匹敌 Whisper 等开源方案——这一直是语音模型规模化落地的关键瓶颈；二是 Chrome 语音输入功能是否会优先支持英语，多语言支持的时间表如何，这将直接影响不同地区用户的实际体验；三是 Google 在更新中删除了部分尚未公开的信息，说明产品功能仍在调整中，正式版本的能力边界还需等官方进一步披露。
来源：Engadget
