谷歌推出Gemini 3.5 Transcribe语音转文字模型

2026年8月26日，谷歌DeepMind推出了Gemini 3.5 Transcribe，这是其最新的语音转文字模型，专为精确、智能的实时转录而设计。该模型将原始音频转换为准确、精炼、格式化的文本，能够处理背景噪音、复杂术语和言语不流畅的清理。它支持多说话人识别和词级时间戳，并支持实时语言切换。与前代Chirp 3相比，最终转录时间缩短了70%，在FLEURS基准上，流式模式的词错误率（WER）为5.50%，非流式模式为5.04%。该模型可通过Google AI Studio和Gemini Enterprise Agent Platform中的Gemini API获得，并已集成到Gboard、Antigravity、Gemini应用和Chrome等谷歌产品中。Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel和Vision Agents等开发者平台支持使用该模型构建语音驱动界面。vivo、Intellitek Health和Lingopal等公司提供了积极反馈。