一句话看懂：Google DeepMind 正式发布 Gemini 3.5 Transcribe 语音转文本模型，主打实时流式与高精度转写，并开放 Live API 和 Interactions API 供开发者接入。这款模型不仅提升了嘈杂环境下的识别准确率，还能自动清理“嗯”“啊”等语气词，直接输出格式化文本，是语音交互从“能听清”走向“能听懂”的关键一步。
事件核心：发生了什么
8 月 26 日，Google DeepMind 推出 Gemini 3.5 Transcribe，这是其目前最精确的语音转文本模型。与以往模型不同，它能够直接将原始音频转换为干净、格式化的文本，无需额外后处理。官方数据显示，在 Artificial Analysis 的评测中，该模型流式转写的平均词错误率（WER）为 4.0%，非流式场景为 2.6%，相比上一代 Chirp 3 模型，最终转写时间延迟改善了 70%。
该模型目前已通过两条 API 路径开放：一是用于实时双向流式交互的 Live API（模型名为 gemini-3.5-transcribe-live），支持亚秒级延迟；二是用于处理预录音频的 Interactions API（模型名为 gemini-3.5-transcribe），支持说话人分离和词级时间戳。此外，模型原生支持超过 85 种语言的自动识别，并能适配自定义词汇表，用于处理专业术语和特殊拼写。
为什么重要
语音转文本是 AI 交互的基础设施，过去行业痛点集中在三处：嘈杂环境的鲁棒性、专业词汇的准确率、以及口语转写后的“脏文本”清洗。Gemini 3.5 Transcribe 把这三件事合并到了一个模型里完成，而且在延迟上实现了 70% 的改善，这对实时语音代理、会议纪要、客服质检等场景是直接的体验提升。
从竞争格局看，这一发布使 Google 在语音基础模型上与 OpenAI 的 Whisper 系列、以及各类开源 ASR 模型拉开了一定代差——尤其是自纠错处理和功能调用（如通过语音触发图像生成或文件分析）的融合，已经超出传统 ASR 范畴，更接近“语音理解即服务”。对开发者而言，这意味着无需再自行拼接 ASR + 文本清洗 + NLP 的多段流程，架构成本会显著下降。
对用户/开发者/创作者的影响
对于终端用户，Android 端 Gboard 的新功能 Rambler 已经内置了该模型，用户说话时的“嗯”“啊”会被自动过滤，口语内容会被整理成排版良好的文本，还能通过语音直接进行内联编辑、纠错和改写。
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。
对于开发者，模型提供的是两个现成 API，不再需要自建语音识别集群。若你正在构建语音代理、实时字幕工具或通话后分析管道，可分别调用流式与非流式接口；其中 Interactions API 对最多三人的说话人分离是稳定的，三人以上场景目前标记为实验性。Google 也强调该模型支持在转录过程中实时切换语言，这对多语言客服和跨国会议场景比较实用。AI 应用创作者可以考虑将功能调用与语音转写结合，例如在语音指令中直接触发图像生成或文件分析任务。
对于企业采购方而言，目前公开信息显示，该模型已上线 Gemini Enterprise Agent Platform，但具体计费方式尚未公布，建议在正式采用前评估实时 API 的高并发成本。
值得关注的后续
第一，定价与限流策略。开发者关心流式 API 的按秒计费标准和免费额度，这决定了中小团队能否承担实时语音应用的推理成本。
第二，竞品跟进速度。OpenAI 的实时语音 API、以及 Anthropic 的音频能力布局是否会加速迭代，进而压低整个行业的语音技术使用门槛。
第三，本地化体验。虽然支持 85 种语言，但中文的方言覆盖、专名识别效果还有待第三方评测验证，建议国内开发者拿到 API 后先做针对性的基线测试。
