谷歌 8 月 26 日发布 Gemini 3.5 Transcribe，一个专做语音转文字的模型，分实时流式与预录音频两条线。
按 Artificial Analysis 的测量，非流式版本的平均词错率 2.6%，流式版本 4.0%。在多语种基准 FLEURS 上，流式 5.50%、非流式 5.04%。相比上一代的 Chirp 3，出最终转写结果的时间缩短了 70%。支持语种超过 85 种，可自动检测。
它交出的是一份成稿
谷歌给这个模型的定位，是把原始音频直接转成准确、干净、已排好版的文本。具体做三件事：处理说话人的自我修正（官方举的例子是 “let’s meet Tuesday—no, Wednesday”，模型保留最终的星期三）；删掉 “um”、“ah” 这类填充词；自动完成格式化。
传统语音识别模型的产出是原始转写流，上面这些清理动作要放到下游，用另一个模型或一套规则引擎补。把它折进转写模型内部，省掉的是一次调用和一次往返延迟。对做实时语音 Agent 的团队，这一层的时延往往就是”听起来像不像在对话”的分界线。
模型还支持函数调用，可以在转写过程中把复杂任务转派出去；另有自定义词表、说话人区分（预录音频最多 3 人，3 人以上为实验性）、词级时间戳、通话中途切换语种。
两条 API，两种场景
实时那条叫 gemini-3.5-transcribe-live，走 Live API，面向交互式语音应用；预录那条是 gemini-3.5-transcribe，走 Interactions API，面向会议记录和通话日志。
开发者侧通过 Gemini API（Google AI Studio）与 Google Antigravity 进入公开预览，企业侧走 Gemini Enterprise Agent Platform 预览，后续接入 Gemini Enterprise for Customer Experience。普通用户能碰到的入口目前有三个：macOS 上的 Gemini 应用（仅英文）、Android 上的 Rambler（部分国家和语种），Chrome 的支持排在后面。
数字之外留下的两个问题
官方没有公布定价。语音转写是按分钟计费的生意，2.6% 的词错率如果配上高于同行的单价，落地节奏就会慢下来——过去两年这条赛道换代频繁，客户对切换成本敏感，价格往往比零点几个百分点的精度差更能决定采购。
说话人区分只保证 3 人以内的准确度，这道限制把一批高频场景卡在了外面：多人会议、客服质检、播客转写，三人往上都是常态。官方把 3 人以上标为实验性，等于承认这部分还没稳定。
粗算一下精度的实际含义：2.6% 的词错率对应一段 1000 词的会议录音里约 26 个词出错（估算，实际分布与口音、背景噪声强相关）。放在需要逐字引用的法律、医疗场景，这个量级仍然要人工过一遍；放在生成会议纪要、给 Agent 喂上下文的场景，已经够用。两类需求的分水岭不在模型，在下游怎么消费这段文本。
语音这条赛道今年动作密集，从 OpenAI 一口气发三个语音模型，到各家把语音 API 往 Agent 栈里塞，比拼的口径正在从”识别得准”换成”接进流程后省不省事”。Gemini 3.5 Transcribe 把清理和格式化收进模型内部，走的是同一个方向。
参考来源：Google 官方博客、CocoLoop、Artificial Analysis、DeepMind 模型文档；词错率、延迟改善与语种数量以官方发布页口径核验，定价未公布。