Gemini 3.5 Transcribe - Google 发布的旗舰语音转文本模型

Gemini 3.5 Transcribe是什么

Géminis 3.5 Transcribe 是 Google 发布的旗舰语音转文本模型，与传统语音识别只做逐字记录不同，能直接输出润色过、格式规范的成稿。自动删除口头禅、理解"周二，不，周三"式的自我修正并实时改稿。词错误率低至实时流式 4.0%、预录音频 2.6%，速度比前代快约 70%，支持 85+ 种语言的自动检测与转写。模型提供实时流式（gemini-3.5-transcribe-live，亚秒级延迟）和预录批处理（最长 1 小时、支持说话人识别）两个 API 入口 ，支持自定义词汇表与 llamada a funciones 任务委派 ，已落地于 Gboard Rambler、macOS 版 Gemini 等场景，定价约每千分钟 5 美元 。

Gemini 3.5 Transcribe的功能特色

• 智能成稿转写：不满足于逐字记录，直接将原始音频转换为润色过、格式规范的文本，自动删除"嗯""呃"等口头禅，并理解口语中的自我修正（如"约周二——不，周三"）实时改稿 。
• Reconocimiento de gran precisión：实时流式词错误率仅 4.0%，预录音频低至 2.6%（Artificial Analysis 测量），为同类领先水平.
• 极速转写：从语音到最终文本的速度比前代 Chirp 3 快约 70%.
• Soporte multilingüe：可自动检测并转写 85+ 种语言，包括口音和方言.
• 双 API 入口：提供实时流式 API（gemini-3.5-transcribe-live，亚秒级延迟，单会话最长 10 分钟）和预录批处理 API（gemini-3.5-transcribe，支持最长 1 小时音频）.
• 说话人识别与词级时间戳：预录音频可归属最多 3 位说话人（3 人以上为实验性），并提供词级时间戳，适合会议记录与通话分析.
• 双模式输出：开发者可在"Smart"智能清理模式与"Verbatim"逐字保留模式间切换（Smart 模式不支持说话人分离和词级时间戳）.
• 自定义词汇表：支持传入专业术语、人名、产品名等，显著提升特定领域的识别准确率.
• Llamada a la función：可在转写过程中直接将文件分析、图像生成等任务委派给其他 Gemini 模型，实现语音驱动的智能体工作流.

Gemini 3.5 Transcribe的核心优势

• "理解语义"而非"记录声音"：是它与竞品最本质的差异，不是把音频转成原始文字，是直接产出可用成稿，自动去除口头禅、修正口语自我纠正、完成排版，省去了传统"转写后还需 LLM 二次加工"的环节.
• 业界领先的识别精度：实时流式词错误率仅 4.0%，预录音频低至 2.6%（Artificial Analysis 测量），多语言基准 FLEURS 上流式 5.50%、非流式 5.04%，均处于同类最佳水平.
• 速度与延迟双优：转写速度比前代 Chirp 3 快约 70%；实时流式入口提供亚秒级延迟，满足语音智能体、实时字幕等对响应速度敏感的场景.
• 一个模型覆盖全场景：从 10 分钟内的实时流式对话到最长 1 小时的预录音频，从个人语音输入（Gboard Rambler、macOS 应用）到企业级会议记录、通话分析，用两个 API 入口即可覆盖 。
• 面向开发者的可控性：提供 Smart 智能模式与 Verbatim 逐字模式切换、自定义词汇表（术语/人名/产品名）、说话人识别、词级时间戳，可按法律取证、会议纪要等不同场景精确配置 。
• 原生融入 Gemini 生态：支持 function calling，转写中即可把分析、图像生成等任务委派给其他 Gemini 模型，天然适合构建语音驱动的智能体；并已被 LiveKit、Pipecat、Vercel 等平台快速集成 。
• alta relación calidad-precio：定价约每千分钟 5 美元（约 0.005 美元/分钟），在旗舰级精度下保持了有竞争力的成本.

Gemini 3.5 Transcribe官网是什么

• Página web del proyecto：https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-5-transcribe/

Gemini 3.5 Transcribe的操作步骤

• Obtener acceso: en Google AI Studio 创建账号并获取 API Key，模型目前以公开预览（Public Preview）形式提供；也可通过已集成的第三方平台（LiveKit、Pipecat、Vercel 等）接入 。
• 选择 API 入口：根据场景二选一，实时场景用 gemini-3.5-transcribe-live（Live API，双向流式、亚秒级延迟，单会话最长 10 分钟）；处理已有音频用 gemini-3.5-transcribe（Interactions API，支持最长 1 小时的预录文件）.
• 准备音频输入：流式场景直接推送麦克风音频流；预录场景上传音频文件（按所选入口支持的格式与时长限制）。
• 配置转写参数::
  • 选择输出模式，"Smart"智能清理（去口头禅、自动改稿、排版）或"Verbatim"逐字保留 ；
  • 如需区分说话人，开启说话人识别（最多 3 人，3 人以上为实验性）并附带词级时间戳（注意：Smart 模式与此二者互斥）.;
  • 如有专业术语、人名、产品名，传入自定义词汇表提升准确率；
  • 语言默认自动检测（85+ 种语言），也可显式指定.
• 挂载 Function Calling（可选）：定义函数工具，让模型在转写中直接把分析、图像生成等任务委派给其他 Gemini 模型，构建语音驱动的智能体工作流.
• 调用并接收结果：实时模式随说随出文本，实现"语音到成稿"比前代快约 70%；预录模式返回带说话人归属和时间戳的完整转写 。

Gemini 3.5 Transcribe的适用人群

• 应用开发者与语音智能体团队：通过 Live API 亚秒级延迟的双向流式能力，可构建实时语音助手、客服机器人；function calling 支持转写中直接委派任务，天然适合语音驱动的智能体开发 。
• 企业与呼叫中心：预录 API 支持最长 1 小时音频、说话人归属（最多 3 人）和词级时间戳，适合会议记录、通话质检与客户洞察分析.
• 内容创作者与自媒体人：Smart 模式自动去口头禅、修正口语自我纠正、输出排版成稿，可把口播、播客、采访录音直接变成可用的文案初稿.
• 职场人士与会议纪要需求者：无需人工整理录音，"语音到成稿"比前代快约 70%，显著提升会后整理效率 。
• 跨语言与国际化团队：自动检测并转写 85+ 种语言（含口音和方言），适合多语言会议、跨境业务沟通场景 。

Gemini 3.5 Transcribe的常见问题