Google 为 Gemini Audio 加入新的转录模型 Gemini 3.5 Transcribe，主打自动识别 85 种以上语言、最多区分 3 位说话人，并能在转录时自动删除「嗯、啊」这类口头禅和赘字。
按 Google 的介绍，这个模型也能识别对话中的专业术语，用户无需事先设置语言。用户还可以提前提供一份自定义词汇表，把公司名称、产品名称和特殊拼法预先交给模型，转录时会直接套用，减少事后逐条修改的工作量。
最多可区分 3 位说话人
对于预先录制的音频文件，Gemini 3.5 Transcribe 最多可以分辨 3 位说话人，并附带词级时间戳，便于后续剪辑或检索逐字稿。
Google 公布字错率数据
转录质量通常以字错率（word error rate）衡量，也就是机器转录结果与人工听打稿之间的差异比例，数值越低，代表转录越准确。
Google 官方公告给出的数据是，串流模式，也就是边说边实时输出文字，平均字错率为 4.0%；非串流模式，也就是整段说完后一次输出，平均字错率为 2.6%。在多语言基准测试 FLEURS 上，串流模式为 5.50%，非串流模式为 5.04%。
与上一代 Chirp 3 相比，Google 表示最终转录延迟改善了 70%，即用户在说完话后，看到完整逐字稿的等待时间明显缩短。
接入方式与上线范围
Google 将实时串流转录接入 Live API，对应模型名称为 gemini-3.5-transcribe-live；预录音频则通过 Interactions API 提供，对应模型名称为 gemini-3.5-transcribe，两条产品线分别面向不同使用场景。
这次更新从当天起在 macOS 版 Gemini app 以英文上线。Android 的 Rambler 听写功能，则在部分国家和语言开放。开发者可以通过 AI Studio 与 Antigravity，在 Gemini API 的公开预览阶段提前测试，Chrome 浏览器的支持仍在开发中。
第三方榜单中仅列第四
不过，Google 所说的进展主要是与自家上一代模型相比。若放到整个语音转录市场对比，Gemini 3.5 Transcribe 并不是最准确，也不是最便宜的方案。
第三方评测平台 Artificial Analysis 的 AA-WER 榜单，将多家转录模型放在同一标准下比较字错率与价格。榜单显示，Gemini 3.5 Transcribe 的字错率为 2.6%，价格为每 1,000 分钟 5 美元。
排在它前面的包括 ElevenLabs 的 Scribe v2，字错率 2.2%，价格为每 1,000 分钟 3.67 美元；微软 Azure 的 MAI-Transcribe-1.5，字错率 2.4%；Smallest.ai 的 Pulse Pro，同样为 2.4%。按这份榜单，仅就字错率指标来看，Google 前面至少还有 3 家竞争对手。
榜单中其他模型还包括：AssemblyAI 的 Universal-3 Pro，字错率 3.1%，价格为每 1,000 分钟 3.50 美元；OpenAI 的 GPT-4o Transcribe，字错率 4.0%，价格为 6 美元；Deepgram 的 Nova-3，字错率 5.2%，价格为 4.30 美元。
报道指出，语音转录市场已经进入竞争激烈阶段，ElevenLabs、微软、AssemblyAI、Deepgram 与 OpenAI 都在同一份榜单中直接比较准确率与价格。就现阶段看，Google 更像是在追赶排名，而不是拉开差距。
不过，Gemini 3.5 Transcribe 的分发渠道仍是它的重要变量。Scribe v2 主要依赖开发者主动接入 API，而 Gemini 3.5 Transcribe 可以直接整合进 Gemini app、Android 听写功能，以及后续的 Chrome 支持，覆盖范围面向更广泛的一般用户。