支持85种语言实时转录，自动纠正口误

谷歌于2026年8月27日正式发布 Gemini 3.5 Transcribe，这是一款面向实时转录场景的语音转文字模型。该模型能够自动识别超过85种语言，无需用户手动切换，同时具备过滤「嗯」「啊」等语气词、纠正口误以及自动格式化输出文本的能力，大幅降低了后期人工校对的成本。

在准确率方面，谷歌公布的数据显示，Gemini 3.5 Transcribe 在流式转录模式下的词错率为4.0%，处理预录音频时词错率进一步降至2.6%。与前代模型 Chirp 3 相比，整体延迟降低了70%，这对于会议记录、实时字幕等对响应速度要求较高的应用场景具有重要意义。

该模型提供两套独立接口以适配不同使用场景。Live API（gemini-3.5-transcribe-live）专为超低延迟的实时流式转录设计，适合直播、实时会议等场合；Interactions API（gemini-3.5-transcribe）则针对录音音频处理进行优化，支持说话人归属识别与精确时间戳标注，便于后期内容整理与检索。

Gemini 3.5 Transcribe 还引入了「函数调用」机制，使其能够在转录过程中识别特定指令，并将图像生成、网络搜索等延伸任务动态移交给其他 Gemini 模型处理。这一设计将语音转录从单一功能扩展为多模型协作的入口，为构建更复杂的 AI 智能体工作流提供了基础能力。

在产品落地层面，Gemini 3.5 Transcribe 已同步上线 Google AI Studio 和 Gemini 企业智能体平台，开发者可立即接入测试。消费端方面，该模型已通过「Rambler」功能集成至 Android 版 Gboard 输入法，并在 macOS 版 Gemini 应用中提供支持，Chrome 浏览器的集成支持也在计划之中，预计近期推出。

要点

• Gemini 3.5 Transcribe 支持超过85种语言自动识别，流式词错率4.0%，录音词错率2.6%，延迟较 Chirp 3 降低70%
• 模型提供 Live API 和 Interactions API 两套接口，分别针对实时流式转录与录音音频处理场景
• 通过函数调用机制，该模型可将图像生成、网络搜索等任务移交给其他 Gemini 模型，具备多模型协作能力
• 已集成至 Android 版 Gboard 和 macOS 版 Gemini 应用，Chrome 支持即将上线