Gemini 3.5 Transcribe – 谷歌推出的智能语音转文本与自动整理模型

Gemini 3.5 Transcribe是谷歌于2026年8月推出的智能语音转文本与自动整理模型，主要用于将语音实时转换为整洁文本，支持自动删除口头禅与自我修正内容，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。

Gemini 3.5 Transcribe的核心能力

与Gemini 3.5 Flash同属Gemini 3.5系列，但Transcribe专攻语音入口的智能转写，与Gemini 3.5 Live Translate共同构成Gemini Audio矩阵，分别覆盖转写与翻译赛道。

开发时间线

2026年8月26日，谷歌在官方博客正式发布Gemini 3.5 Transcribe，由Gemini Audio团队发布。模型当日同步上线Google AI Studio公开预览，同时已先行在Pixel 11的Gboard Rambler与Gemini macOS应用中落地，Antigravity与Chrome即将接入。

智能转写与口头禅删除

核心差异化在于”理解式转写”而非”逐字记录”。当用户说出”周二——不，周三见面”时，模型识别自我修正后直接输出”周三见面”，同时删除”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。模型支持85种以上语言，具备自动语言检测与中途切换，预录音频支持3人说话者标注。

函数调用与Agent集成

模型不只做终端转写，更是Agent语音链路的入口组件。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，目前已见于macOS版Gemini应用。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，减少中间环节延迟。

Gemini 3.5 Transcribe与主流语音转文本模型的对比

注：以上数据来源于谷歌官方公告（2026年8月26日）、Artificial Analysis第三方评测、IT之家报道及各产品官方文档。

从数据可以看出，Gemini 3.5 Transcribe的突破不在纯准确率，而在转写范式转变——从”逐字记录”迈向”理解式转写”。流式4.0%的WER相比Chirp 3的7.32%显著提升，但更关键的是自动删口头禅与函数调用使其成为Agent语音链路入口。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种语言覆盖形成差异化。

Gemini 3.5 Transcribe的应用场景与适用人群

结合官方资料与模型能力，Gemini 3.5 Transcribe适合以下场景：

• 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。

如何使用Gemini 3.5 Transcribe

Gemini 3.5 Transcribe已通过Google AI Studio与Gemini Enterprise Agent Platform开放公开预览。使用前需满足以下前提条件：

• 已注册的Google账号：用于登录AI Studio或Gemini Enterprise平台
• 稳定的网络访问环境：能够访问Google AI Studio与Gemini API
• 预录音频文件不超过1小时：批量转写端点的单文件时长限制

满足以上条件后，按以下步骤调用：

1. 选择接入平台：根据场景选择Google AI Studio官方平台作为入口
2. 选择API端点：实时场景使用gemini-3.5-transcribe-live（Live API双向流式，延迟低于1秒），预录音频使用gemini-3.5-transcribe（Interactions API，支持说话者归属与词级时间戳）
3. 配置自定义词表：如需识别专业术语，在请求中传入自定义词汇列表
4. 提交音频获取结果：实时端点流式返回转写文本，批量端点返回带说话者标签与时间戳的转录
5. 启用函数调用（可选）：在Agent场景中配置模型将复杂任务委托给其他Gemini模型执行

目前模型处于公开预览阶段，谷歌尚未公布正式定价。Chrome浏览器的”随说随写”功能即将接入。

Gemini 3.5 Transcribe的可用平台与定价

Gemini 3.5 Transcribe采用”消费者先行+API后跟”策略。模型在面向开发者开放前，已先行在Pixel 11 Gboard Rambler与Gemini macOS应用中完成实战验证。消费者端通过Gboard与Gemini应用直接使用，开发者端通过Google AI Studio获取API接入。定价方面，谷歌在发布博客中未提及具体价格，目前公开预览阶段可免费试用，正式计费方案需等待官方后续公布。

Gemini 3.5 Transcribe常见问题