Google DeepMind 今日隆重推出 Gemini 3.5 Transcribe，這是我們迄今最精準的語音轉文字模型，專為智慧語音互動而設計。與傳統語音辨識模型不同，Gemini 3.5 Transcribe 能克服背景噪音、複雜術語和語句不流暢等挑戰，直接將原始音訊轉換為精確、潤飾且格式化的文字。

目前，消費者已在 Gemini App 和 Android 等產品中體驗到這款轉錄模型帶來的全新語音功能，例如 Android 上的 Rambler 和 macOS 上的 Gemini App。現在，開發者也能透過 Google AI Studio 和 Gemini Enterprise Agent Platform 中的 Gemini API，利用 Gemini 3.5 Transcribe 打造類似的功能。

我們設計 3.5 Transcribe 旨在無縫融入您的開發者工作流程，無論您是建構語音助理、即時字幕工具，還是通話後分析流程。此模型透過兩個獨立的 API 提供服務：

即時串流：透過 Live API 使用 gemini-3.5-transcribe-live，為互動式語音應用程式提供連續、雙向串流，延遲時間低於一秒。

預錄音訊處理：透過 Interactions API 使用 gemini-3.5-transcribe，轉錄錄音、會議、通話記錄等，並提供說話者歸因和字詞級時間戳記。

Gemini 3.5 Transcribe 旨在捕捉您的自然說話風格，以更好地理解您的意圖並辨識自訂詞彙，讓您能透過語音執行任務。其智慧轉錄功能可無縫處理自我修正（例如「我們週二見，不，週三」）、去除贅字（如「嗯」和「啊」），並自動格式化您的文字。

此模型還支援函式呼叫，可將複雜任務（例如圖像生成和檔案分析）委派給其他 Gemini 模型處理，目前已在 Gemini macOS App 中提供。在精準度方面，根據 Artificial Analysis 的測量，其串流使用情境的平均詞錯誤率（WER）為 4.0%，非串流使用情境為 2.6%。它在嘈雜的真實環境中表現出色，能精確捕捉郵遞區號和訂單 ID 等字母數字實體。

此外，Gemini 3.5 Transcribe 支援自訂詞彙，能辨識專業術語和特殊拼寫，並無縫調整轉錄內容以符合您提供的詞彙。它還具備全球語言支援能力，可自動偵測並轉錄超過 85 種語言，無縫處理不同地區的口音和方言。對於預錄音訊，它能精確歸因最多三位說話者的語音，並提供時間戳記（支援三位以上說話者為實驗性功能）。

Gemini 3.5 Transcribe 的效能相較於我們之前的轉錄模型 Chirp 3 有了重大進步，提供了新功能、更低的詞錯誤率和顯著改善的延遲。根據 Artificial Analysis 的測量，最終轉錄時間縮短了 70%。在 FLEURS 基準測試中，針對一系列主要語言和地區，該模型提供了精準的多語言效能，優於 Chirp 3，在串流模式下詞錯誤率為 5.50%，非串流使用情境下為 5.04%。

除了 Google AI Studio 和 Gemini Enterprise Agent Platform 中的 Gemini API，3.5 Transcribe 更超越標準語音轉文字功能，讓您在 Google 產品中的工作體驗更加自然直覺。透過將情境感知理解直接帶入 Gboard、Antigravity、Gemini App 和 Chrome 等日常介面，它能輕鬆捕捉語氣、意圖和即時編輯。

在 Android 上的 Gboard 中，透過全新的 Rambler 功能，3.5 Transcribe 能將口述想法轉化為格式良好的文字，並過濾掉贅字。您還可以透過語音進行編輯、修正拼寫錯誤和更改寫作風格。在 Google Antigravity 中，3.5 Transcribe 經您許可後，會結合螢幕情境和聊天記錄，確保檔案名稱、助理想法和活動文件中的轉錄精準度。

在 Google AI Studio 中，您可以在 Build 模式下存取 3.5 Transcribe，透過語音即時編寫應用程式。

在 macOS 上的 Gemini App 中，3.5 Transcribe 不僅能將您的自然口語轉錄為清晰格式化的文字，還能啟用語音指令，與螢幕情境無縫搭配，以驅動複雜的工作流程。透過在後台呼叫其他 Gemini 模型來處理繁重任務，該模型讓您只需語音即可輕鬆總結本地檔案、跨應用程式重複利用文字或在游標處生成圖像。

即將在 Chrome 中推出，您將能夠在任何網頁欄位中語音輸入，讓您更自然、更輕鬆地透過語音聽寫回覆、撰寫貼文或向 Chrome 中的 Gemini 下達提示詞。

透過利用 Gemini Live API，Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel 和 Vision Agents 等開發者平台使開發者能夠輕鬆建構和部署高效能的語音驅動介面。這些平台在幕後管理複雜的即時媒體串流基礎設施，讓開發者能夠完全專注於打造使用者體驗。

Vivo、Intellitek Health 和 Lingopal 等公司也分享了對 3.5 Transcribe 的正面評價，強調其令人印象深刻的延遲、精準度和廣泛的語言支援。

開發者：目前已透過 Google AI Studio 和 Google Antigravity 中的 Gemini API 提供公開預覽。企業用戶：目前透過 Gemini Enterprise Agent Platform 提供公開預覽，並即將推出 Gemini Enterprise for Customer Experience。

所有使用者：已在 macOS 上的 Gemini App（英文版）和部分國家/語言的 Android 版 Rambler 中推出，並即將在 Chrome 中推出。