Google 发布 Gemini 3.5 Transcribe
8 月 26 日，Google 正式发布 Gemini 3.5 Transcribe，这是一款面向语音转文字任务的 Gemini 音频模型。Google 称其为目前精度最高的语音转写模型，可直接将原始语音转换为经过整理和格式化的文本。
Gemini 3.5 Transcribe 支持超过 85 种语言及会话中的语言切换，并提供自定义词汇、智能去除口头填充词和格式化等能力。录音转写模式还支持说话人分离与词级时间戳。模型分别提供 gemini-3.5-transcribe 和实时流式版本 gemini-3.5-transcribe-live，后者通过 Live API 提供亚秒级实时转写。
Google 公布的 FLEURS 测试结果显示，该模型在流式模式下的词错误率（WER）为 5.50%，非流式模式为 5.04%；相较此前的 Chirp 3，从语音输入到最终转写结果的延迟降低约 70%。
目前 Gemini 3.5 Transcribe 已通过 Gemini API、Google AI Studio 和 Google Antigravity 开放公开预览，并进入 Gemini Enterprise Agent Platform。面向普通用户的版本已用于 macOS 版 Gemini 应用以及部分地区 Android Gboard 的 Rambler 功能，Chrome 支持将在后续推出。
0 评论