今天，我们推出 Gemini 3.5 Transcribe，这是我们迄今为止最精准的语音转文字模型，专为智能语音交互而设计。与那些在背景噪声、复杂术语和流畅度清理方面表现不佳的传统语音识别模型不同，Gemini 3.5 Transcribe 能将原始音频直接转换为准确、精炼、格式化的文本。

在我们如 Gemini 应用和 Android 等产品中，我们已经看到消费者通过新的语音功能（如 Android 上的 Rambler 和 macOS 上的 Gemini 应用）受益于这一转录模型。现在，开发者可以通过 Google AI Studio 中的 Gemini API 和 Gemini Enterprise Agent Platform 使用 Gemini 3.5 Transcribe 构建类似的功能。

该模型可通过两个独立的 API 使用：实时流式传输通过 Live API 使用 gemini-3.5-transcribe-live 提供连续的双向流式传输，延迟低于一秒，适用于交互式语音应用。预录音频处理通过 Interactions API 使用 gemini-3.5-transcribe 转录录音、会议、通话记录等，并带有说话人归属和词级时间戳。

根据 Artificial Analysis 的测量，它在流式用例中的平均词错误率（WER）为 4.0%，在非流式用例中为 2.6%。它在嘈杂的真实环境中表现出色，能准确捕获字母数字实体，如邮政编码和订单 ID。Gemini 3.5 Transcribe 的性能代表了我们从之前的转录模型 Chirp 3 的重大进步，提供了新功能、改进的词错误率和显著更低的延迟。

关键实体：公司：Google DeepMind、Google | 人物：Luke Leonhard