Google 发布 Gemini 3.5 Transcribe：支持实时转写、Smart 整理和 85+ 种语言

两个模型：一个处理实时语音，一个处理录音文件

Gemini 3.5 Transcribe Live 的模型 ID 是 gemini-3.5-transcribe-live。它通过 Live API 的 WebSocket 连接接收音频，主打亚秒级返回，适合实时字幕、直播转写、电话助手和语音 Agent。

Live 版单次会话最长 10 分钟。它不支持说话人分离，也不提供逐词时间戳，只提供一段话级别的时间信息。需要长时间会议记录时，应用需要自行续接会话，或者在录音结束后再交给录音版处理。

Gemini 3.5 Transcribe 的模型 ID 是 gemini-3.5-transcribe。它通过 Interactions API 处理上传的录音，主打更低的最终词错误率，并支持说话人分离、逐词时间戳和更完整的转写结果。

录音最长可以处理 1 小时。打开说话人分离或逐词时间戳后，单段录音上限降为 30 分钟。官方文档写明最多支持 8 名说话人，其中 3 人以上仍属于实验性能力。

Google AI Studio 同时提供实时转写和录音转写体验。开发者可以先上传自己的会议、电话或采访录音，再决定使用哪一个模型。

主要功能：Smart 整理、多语言、自定义词汇和标注

Smart 模式会直接整理口述内容

普通逐字转写会保留“嗯”“呃”、重复句和每一次改口。Smart 模式会删除填充词、合并自我修正，并按最终意思整理格式。

下面的点单演示里，说话人先要大杯榛果拿铁，随后换成焦糖、取消额外浓缩、修改冰量，最后又把大杯改成中杯。Smart 输出只保留最后确认的订单。

Smart 适合口述消息、邮件、笔记和表单。如果场景要求保留每一句原话，就应该使用 verbatim 转写。

支持 85 种以上语言和连续语言切换

模型支持 85 种以上语言。说话人可以在同一段话里切换语言，不需要先手动指定一种语言。

下面的演示连续切换英语、西班牙语和印地语，还测试了字母数字组合的识别。

Google 称实时版和录音版都支持多语言转写，但实际效果仍会受到口音、录音质量、背景噪声和语言组合影响。

可以加入专业词、人名、产品名和代码

开发者可以提供自定义词汇，帮助模型识别公司名、产品名、行业术语、人名和编号。官方文档允许最多提供 1000 个词，同时建议把最重要的词控制在 100 个以内。

下面的实时演示加入了背景噪声、自定义词 Neurowave、Server ID B742X，以及英语和捷克语之间的切换。

这段演示说明这些功能已经可以组合使用，但不能代表所有噪声和口音条件都能得到相同结果。

录音版支持说话人分离和逐词时间戳

录音版可以标出不同说话人，也可以返回每个词对应的时间位置。会议纪要、客服质检、采访字幕和需要回听原音频的场景会用到这些功能。

Smart 模式不能与说话人分离或逐词时间戳同时打开。Smart 会删词和合并改口，逐词时间戳则要求输出与原音频保持对应。官方文档还提醒，打开逐词时间戳可能降低转写质量。

官方测试数据：流式 WER 4.0%，非流式 WER 2.6%

Google 公布的整体英语转写测试中，实时流式模型的词错误率（WER）为 4.0%，录音非流式模型为 2.6%。WER 越低，代表替换、漏掉或多写的词越少。

GOOGLE BENCHMARK · LOWER WER IS BETTER

在多语言 FLEURS 测试中，实时版 WER 为 5.50%，录音版为 5.04%。两组数据都显示，录音版等待完整音频后可以得到更低的错误率，实时版则优先保证返回速度。

GOOGLE BENCHMARK · LOWER WER IS BETTER

Google 还称，相比 Chirp 3，Gemini 3.5 Transcribe 从音频结束到返回最终文本的时间缩短了 70%。这是最终转写时间的相对改进，不是错误率降低 70%。这些数字来自 Google 的发布材料，文章没有提供足够信息让外部完整复现实验，所以真实业务仍需要用自己的录音测试。

已经接入 Gboard、Gemini macOS、Antigravity 和 AI Studio

Google 正在把这两个转写模型接入自己的输入工具和开发产品。

Gboard Rambler

Rambler 是 Gboard 中的口述功能。用户可以自然说话、停顿和改口，系统再把内容整理成可以发送的消息。

这段演示直接展示了 Smart 模式在手机输入中的用途：用户改变日期、餐厅和措辞后，输出只保留最后版本。

Gemini macOS

Gemini macOS 可以在用户授权后读取当前选中的屏幕内容，再结合语音指令处理任务。演示中，它把白板照片整理成表格、调用 Nano Banana 生成生日图片，还通过网页搜索补齐活动地点地址。

这里的语音转写由 Gemini 3.5 Transcribe 完成，屏幕理解、网页搜索和图片生成由 Gemini 应用中的其他模型与工具完成。

Antigravity

Antigravity 会把语音指令和编辑器中的代码上下文结合起来。演示中，用户要求它修改 Flutter 应用主题，然后继续测试或启动构建。

转写模型负责把语音变成文本，读取代码、规划步骤和执行构建属于 Antigravity 的 Agent 能力。Gemini 3.5 Transcribe 模型本身不支持 function calling。

Google AI Studio 已经提供两个模型的体验入口。Chrome 集成目前仍写着“即将推出”。Deepgram、AssemblyAI、Krisp 等公司出现在早期合作名单中；这些属于发布材料里的接入案例，不是独立横向评测。

目前是 Public Preview，这些限制需要提前知道

两个模型目前都处于 Public Preview。可以开始测试和接入，但正式生产使用前，需要用自己的口音、噪声、专业词和长录音做验证。

主要限制如下：

• Live 版单次会话最长 10 分钟，不支持说话人分离和逐词时间戳。
• 录音版最长处理 1 小时；打开说话人分离或逐词时间戳后，上限为 30 分钟。
• Smart 模式不能和说话人分离、逐词时间戳同时使用。
• 逐词时间戳可能降低转写质量。
• Chrome 集成尚未正式推出。

Google 按典型 token 用量估算，Live 版约为每分钟 0.009 美元，录音版约为每分钟 0.005 美元。按这个估算，一小时音频分别约为 0.54 美元和 0.30 美元。实际费用仍按输入、输出 token 计算，还需要加上存储、审核和后续模型调用成本。

选择方式很简单：

• 实时字幕、直播、电话助手和语音 Agent，使用 Live 版。
• 会议、采访、客服录音和字幕制作，使用录音版。
• 需要可直接发送的文字，打开 Smart。
• 需要逐字证据、说话人或时间戳，关闭 Smart，使用 verbatim。

Gemini 3.5 Transcribe 已经通过 Gemini API、Vertex AI 和 Google AI Studio 开放测试。它的主要卖点可以概括为四项：实时返回、录音高精度、Smart 自动整理，以及多语言和专业词支持。