Google 发布 Gemini 3.5 Transcribe 语音转文字模型：流式 WER 4.0%、覆盖 85 种语言

面向开发者的新一代语音识别模型

Google 近日发布 Gemini 系列最新语音转文字模型 Gemini 3.5 Transcribe，官方称其为该系列目前准确度最高的语音识别模型，面向开发者、企业及普通用户开放。模型重点提升了嘈杂环境、复杂专业术语与自然口语表达下的转写能力。

准确率方面，Google 给出的数据是：流式语音识别场景平均词错误率 4.0%，非流式场景 2.6%；能更准确地识别订单编号、邮政编码等字母数字混合信息。功能上支持自动自我修正、删除“嗯”“啊”等口语填充词、自动格式化输出，还可将文件分析、图像生成等复杂任务委派给其他 Gemini 模型，形成多模型协作。

语言支持上，模型覆盖 85 种语言并支持地区口音和方言；对预录音频可为最多三名说话者进行带时间戳的语音归属识别，并适配用户自定义词汇表。开发者可通过 Google AI Studio 与 Google Antigravity 中的 Gemini API 以公开预览形式使用；macOS 版 Gemini 应用与 Android Gboard 的 Rambler 功能已接入该模型，Google 还计划将其引入 Chrome 浏览器。

• 流式 WER 4.0%，非流式 2.6%
• 覆盖 85 种语言，支持自定义词汇表
• 最多 3 名说话人带时间戳语音归属
• 公开预览：Google AI Studio / Gemini API

语音识别已经卷到词错误率小数点后一位，模型之间的差距更多体现在口音、噪声和垂直词表这些“刁钻场景”，这也正是 Transcribe 想证明自己的地方。