谷歌 Gemini 3.5 Transcribe 支持 85 种语言实时转写并纠正口误

谷歌发布 Gemini 3.5 Transcribe 语音转文字模型，支持超过 85 种语言，可在流式模式下实时去除填充词并纠正口误。其词错误率为 4.0%，延迟较前代 Chirp 3 降低 70%，并可通过函数调用将任务转交给其他 Gemini 模型。

相较前代 Chirp 3，Gemini 3.5 Transcribe 在保持低错误率的同时大幅降低延迟，并引入实时纠错功能，可能提升语音交互的流畅度与可用性，推动更多实时语音应用落地。

流式模式结合低延迟设计，使转写可实时输出；自动去除填充词和纠正口误依赖语言模型对上下文的语义理解。函数调用能力允许模型将识别后的任务无缝调度给其他专用模型，形成多模型协作的语音处理链路。

对语音转写类产品，可提升实时转录体验并降低下游处理成本；对依赖低延迟的语音助手、会议纪要和字幕工具，可减少等待时间并改善输出质量，但具体成本与集成方式尚未披露。

• 在实时会议字幕产品中接入 Gemini 3.5 Transcribe，利用低延迟和纠错功能提升转录准确率。
• 开发面向多语言客服的语音助手，利用 85 种语言支持减少自建多模型成本。
• 将函数调用与内部任务流结合，实现语音识别后自动触发下游业务处理。

• Gemini 3.5 Transcribe 的定价和访问方式（API 或平台）尚未公布。
• 4.0% 词错误率测试的具体语言组合和噪声条件不明确。
• 实时纠错是否会影响专业术语或人名等专有名词的准确性未知。
• 相比 Chirp 3 的改进是否仅限于延迟，还是也包含模型架构变化。