Google於8月26日發表Gemini 3.5 Transcribe，一款專門做語音轉文字的模型，分成即時串流與預錄音訊兩條線。
根據Artificial Analysis的測量，非串流版本的平均字詞錯誤率(WER)為2.6%，串流版本則為4.0%。在多語言基準測試FLEURS上，串流版本為5.50%、非串流版本為5.04%。相較上一代Chirp 3，產出最終轉寫結果的時間縮短了70%。支援語言超過85種，並可自動偵測語言。
它交出的是一份完成稿
Google對這款模型的定位，是把原始音訊直接轉成準確、乾淨、已排版完成的文字。具體做三件事：處理說話者的自我修正(官方舉的例子是「let's meet Tuesday—no, Wednesday」，模型會保留最終的星期三)；刪除「um」、「ah」這類贅詞；以及自動完成格式化。
傳統語音辨識模型輸出的是原始轉寫串流，上述清理動作過去得放到下游，靠另一個模型或一套規則引擎補上。把這道工序折進轉寫模型內部，省下的是一次呼叫和一趟往返延遲。對開發即時語音代理的團隊來說，這層延遲往往就是「聽起來像不像真人對話」的分水嶺。
這款模型也支援函式呼叫(function calling)，可以在轉寫過程中把複雜任務轉派出去；另外還提供自訂詞彙表、說話者辨識(預錄音訊最多3人，超過3人屬實驗性功能)、逐字時間戳記，以及通話中途切換語言。
兩支API，兩種情境
即時那支叫做gemini-3.5-transcribe-live，走Live API，面向互動式語音應用；預錄那支是gemini-3.5-transcribe，走Interactions API，面向會議紀錄與通話日誌。
開發者端透過Gemini API(Google AI Studio)與Google Antigravity進入公開預覽，企業端則走Gemini Enterprise Agent Platform預覽，後續會併入Gemini Enterprise for Customer Experience。一般使用者目前能接觸到的入口有三個：macOS上的Gemini應用程式(僅支援英文)、Android上的Rambler(限部分國家與語言)，Chrome的支援則排在後面。
數字之外留下的兩個問題
官方尚未公布定價。語音轉寫是按分鐘計費的生意，2.6%的字詞錯誤率若配上高於同業的單價，落地速度就會被拖慢——過去兩年這個賽道換代頻繁，客戶對轉換成本很敏感，價格往往比零點幾個百分點的精確度差距更能左右採購決策。
說話者辨識只保證3人以內的準確度，這道限制把一批高頻情境擋在門外：多人會議、客服品質檢核、Podcast轉寫，三人以上都是常態。官方把3人以上標為實驗性功能，等於承認這部分還不夠穩定。
粗略算一下精確度的實際意義：2.6%的字詞錯誤率，換算成一段1000字的會議錄音，大約會出現26個錯字(此為估算，實際分布與口音、背景噪音高度相關)。放在需要逐字引用的法律、醫療情境，這個量級仍然得靠人工複核一遍；放在產生會議紀要、餵給代理當上下文的情境，則已經夠用。這兩類需求的分界不在模型本身，而在下游怎麼消費這段文字。
語音這個賽道今年動作密集，從OpenAI一口氣發表三款語音模型，到各家把語音API塞進代理堆疊，比拚的重點正從「辨識得準不準」轉向「接進流程後省不省事」。Gemini 3.5 Transcribe把清理和格式化收進模型內部，走的正是同一個方向。
參考來源：Google官方部落格、CocoLoop、Artificial Analysis、DeepMind模型文件；字詞錯誤率、延遲改善幅度與支援語言數以官方發布頁為準核實，定價尚未公布。