Gemini 3.5 Transcribe 公开预览：流式字错率 4.0%，谷歌自称最精准语音转文字模型

谷歌 DeepMind 于 2026 年 8 月 26 日推出 Gemini 3.5 Transcribe 的公开预览，官方将其定位为「最精准的语音转文字模型」。这不是预告，而是已经交付、开发者当天就能调用的版本。

两组数字：流式 4.0%、非流式 2.6%

由第三方机构 Artificial Analysis 测得的字错率（WER）分两种模式：实时流式为 4.0%，允许先收完整段音频再处理的非流式模式为 2.6%。在跨语言公开基准 FLEURS 上，两种模式分别为 5.50% 与 5.04%。FLEURS 是跨语言公开语料，覆盖语种更广、口音更杂，数字自然高于前一组均值；两者属于不同评测来源，不宜当作「内部对公开」的对照。值得注意的是，两种模式的差距在 FLEURS 上明显缩小。

功能层面则一次补齐了过去要靠后期处理才有的能力：

• 支持 85 种以上语言，并能自动检测语种
• 针对预录音频可标时间戳并识别最多 3 位说话人（speaker diarization），3 人以上为实验性支持
• 可挂载自定义词表，让专有名词、品牌名、物料编码不再被写错
• 自动清理结巴与「嗯、那个」这类口头禅
• 自动排版输出，直接生成可读段落，而不是一长串文字
• 可与其他 Gemini 模型做 function calling，转写完直接衔接后续动作

真正的变化是速度，而不只是准确度

相比上一代 Chirp 3（2025 年），Gemini 3.5 Transcribe 产出最终逐字稿的时间（time to final transcription）改善约 70%。准确度每年都在进步，但这一段时间砍掉七成，才是把「语音」从事后文件变成实时界面的关键：边开会边出纪要、客服通话进行中就弹出摘要，这类场景的门槛取决于多快拿到可用文字，而不是小数点后的字错率。

上线范围：企业端与消费端同步铺开

开发端可在 Gemini API（Google AI Studio）、Google Antigravity 与 Gemini Enterprise Agent Platform 使用，Gemini Enterprise for Customer Experience 标注为即将跟进——把语音转写直接放进客服平台的意图相当明显。消费端已进入 macOS 版 Gemini app 与安卓 Gboard 的 Rambler 功能，Chrome 标注即将支持。需要留意的是，macOS 版目前为英文界面，Rambler 也仅先开放部分国家与语言。官方尚未公布定价。

对管理者的意义

会议纪要、客服通话、现场访谈这些语音数据的价值，过去卡在整理成本上——请人听打或请人润色，贵到只能挑重要的做。这次真正被压缩的不是「识别」，而是「逐字稿到可用纪要」那一段人力：口头禅自动清、段落自动分，产出已接近可归档的版本。若要试，先挑一场本来就有人工纪要的会议做对照，比对 AI 版漏了什么，再决定流程怎么改。同时有两个限制要先看清楚：公开预览阶段没有定价，成本无法纳入预算；说话人识别稳定支持到 3 人、再多属实验性，且该能力针对的是预录音频而非实时流式，正式使用前需自行验证。企业落地前也务必确认录音数据的存放与留存规范。