一句话看懂：Google 于 2026 年 8 月 26 日发布 Gemini 3.5 Transcribe 语音转写模型，主打低错误率、实时流式转写和智能清理口头语。该模型相比前代 Chirp 3 在延迟和词错误率上显著提升，并已开放给开发者通过 Live API 和 Interactions API 接入。
事件核心：发生了什么
Google 音频团队正式推出 Gemini 3.5 Transcribe，这是其最新一代语音转文本模型，定位为“精准且智能”的实时转写工具。与常见语音识别模型不同，它直接处理原始音频并输出格式化文本，能够自动修正自我纠正语句（如“周二见——不，周三”）、删除“嗯”“啊”等填充词，并完成内容排版。
该模型提供两种接入方式：一是通过 Live API 使用 gemini-3.5-transcribe-live，支持双向连续流式传输，延迟低于秒级；二是通过 Interactions API 使用 gemini-3.5-transcribe，处理录音文件、会议记录和通话日志，支持说话人分离（最多三人，三人以上为实验功能）和词级时间戳。
据第三方评测机构 Artificial Analysis 数据，该模型在流式模式下的平均词错误率（WER）为 4.0%，非流式场景为 2.6%；在 FLEURS 多语言基准上，流式 WER 为 5.50%，非流式为 5.04%。相比前代 Chirp 3，最终转写完成时间改善约 70%。模型支持自动识别超过 85 种语言，并适配自定义词汇表以处理专业术语和特殊拼写。
为什么重要
Gemini 3.5 Transcribe 的发布意味着语音转写从“听写工具”向“语音理解入口”演进。Google 将上下文理解、函数调用和自定义词汇表直接整合进转写流程，使模型不再只是机械转换声音，而是能识别说话者意图，甚至可将图像生成、文件分析等任务委派给其他 Gemini 模型处理。
这一技术路线也对现有语音 AI 市场构成直接竞争压力。相比通用大模型附带语音能力，Google 选择以独立模型加双 API 的形式切入开发者和企业市场，试图在实时客服、会议纪要和语音代理等垂直场景中建立壁垒。0.7 秒级延迟的数据表现，也指向端到端模型架构在工程优化上的进步，而非简单堆叠参数。
对用户/开发者/创作者的影响
开发者：可通过 Google AI Studio 或 Gemini Enterprise Agent Platform 调用 API。实时语音代理、字幕生成、通话后分析等场景的开发门槛降低，尤其是流式 API 的亚秒级延迟和自动断句功能，减少了开发者在后处理环节的工程量。
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。
终端用户：Android 端 Gboard 的新 Rambler 功能以及 macOS 版 Gemini 应用已率先集成。用户可用语音进行文字编辑、拼写修正和风格切换，转写时填充词被自动过滤，输出文本更接近可直接发布的成品。
创作者与办公人群：多说话人识别和时间戳功能对播客剪辑、会议记录整理具有实操价值。但需注意，三人以上说话人识别目前仍处于实验阶段，不适合高密度讨论场景的正式生产使用。
值得关注的后续
目前公开信息显示，Gemini 3.5 Transcribe 尚未公布具体定价和配额策略，开发者需关注 Google AI Studio 中模型上线后的计费标准。其次，Chirp 3 用户是否会被强制迁移、旧版 API 的维护周期也是企业客户需要评估的兼容性问题。最后，该模型目前在 macOS 和 Android 端的集成方式是否推广至 iOS 或 Chrome 浏览器全量版本，值得跟踪观察。
