摘要：
2026年8月26日，谷歌正式推出Gemini 3.5 Transcribe——一款智能语音转文本与自动整理模型。它并非传统"逐字记录"... 2026年8月26日，谷歌正式推出Gemini 3.5 Transcribe——一款智能语音转文本与自动整理模型。它并非传统"逐字记录"式语音转写工具，而是主打"理解式转写"：自动删除口头禅与自我修正内容，完成标点与格式整理，覆盖85种以上语言，适用于语音输入、会议转写与Agent语音交互场景。模型由Gemini Audio团队发布，同步上线Google AI Studio公开预览，并已先行在Pixel 11的Gboard Rambler与Gemini macOS应用中落地。
一、从"听到什么写什么"到"理解你想说什么"
传统语音转写追求的是"词错率越低越好"——只要把用户说的每个字准确转成文字就算完成任务。Gemini 3.5 Transcribe的核心差异在于，它追求的是"理解用户真正想表达的意思"。
当用户说出"周二——不，周三见面"时，传统模型会忠实地转写出包括"不"在内的自我修正过程，而Gemini 3.5 Transcribe会直接输出"周三见面"。它同时会删除"嗯""呃"等口头禅，完成标点与格式整理。用户可提供自定义词表适配专业术语，例如医疗、法律或工程领域的专有名词。
这种"理解式转写"的背后，是模型对语音内容的语义理解能力——它不仅能听清每个字，还能判断哪些是冗余、哪些是修正、哪些是有效信息。对于追求"原话留存"的场景来说这或许是个问题，但对于追求"高效沟通"的场景，这恰恰是它最大的价值。
二、性能数据：流式4.0%的词错率，速度比前代快约70%
根据Artificial Analysis第三方评测数据，Gemini 3.5 Transcribe的词错率（WER）为流式4.0%、非流式2.6%，相比前代Chirp 3的7.32%有显著提升，速度提升约70%。模型支持85种以上语言的自动检测与中途切换，预录音频最多支持3人说话者标注，并附带逐词时间戳。模型提供两个API端点：gemini-3.5-transcribe-live（实时场景，延迟低于1秒）和gemini-3.5-transcribe（预录音频，支持说话者归属与词级时间戳）。
三、函数调用：语音转写成为Agent的入口
Gemini 3.5 Transcribe的突破不仅在于转写质量。它通过函数调用可将图片生成、文件分析等任务委托给其他Gemini模型执行，使语音转写不再是流水线终点，而是Agent工具调用循环中的路由节点。
在AI工具导航的框架下，Gemini 3.5 Transcribe与纯转写工具拉开距离——它不仅负责"听写"，更负责"整理"和"路由"。开发者可以用一句话语音指令驱动完整的跨模型工作流：用户说出"帮我分析这份报告并生成PPT"，语音转写后触发文档分析+演示生成两个模型接力完成。在AI办公软件推荐的选型逻辑中，这种"语音入口+多模型调度"的设计，使其成为语音助手的理想底座——尤其适合需要多轮语音交互的智能客服、会议助手和语音控制自动化场景。相比GPT-Realtime-Whisper侧重实时字幕，Transcribe更强调智能整理与Agent集成；相比国产Hy ASR 3.0 preview在中文WER（3.34%）上的优势，Transcribe以85种以上语言覆盖形成差异化竞争。
四、应用场景与适用人群
语音输入与口述编辑：通过Gboard Rambler实现语音整理成文，适合移动端长文本创作
会议与通话转写：预录音频支持3人说话者识别与逐词时间戳，适用于会议记录与访谈分析
多语言实时沟通：85种以上语言自动检测与中途切换，适用于跨语言会议
Agent语音交互：函数调用使转写结果直接进入Agent工具调用循环，适用于语音助手与智能客服
适用人群：移动端内容创作者、会议记录与访谈分析团队、多语言客服产品经理，以及构建语音Agent交互链路的AI应用开发者。需特别注意：法律取证、医疗记录等需严格保留原话的场景中，模型的"智能润色"可能改变原始措辞，应谨慎评估。
五、如何使用
用户可通过Google AI Studio或Gemini Enterprise Agent Platform接入，实时场景使用gemini-3.5-transcribe-live端点，预录音频使用gemini-3.5-transcribe端点。如需识别专业术语，可在请求中传入自定义词汇列表。目前模型处于公开预览阶段，谷歌尚未公布正式定价。消费者端通过Pixel 11的Gboard与Gemini应用直接使用，Chrome浏览器的"随说随写"功能即将接入。
六、常见问题
与Chirp 3的区别：速度提升约70%，词错率从7.32%降至流式4.0%/非流式2.6%，新增自动删口头禅、自我修正识别与函数调用
是否免费：目前公开预览阶段可免费试用，正式定价待官方公布
是否支持中文：支持，覆盖85种以上语言与方言，可处理多语言混说
能否保留逐字记录：默认不能，法律取证等场景需谨慎评估