谷歌的Gemini 3.5转录将原始音频转换为格式化文本

谷歌（Google）（GOOGL）发布了Gemini 3.5 Transcribe，这家科技巨头称这是其迄今为止最精确的语音转文本模型。

谷歌表示：“与传统语音识别模型难以应对背景噪音、复杂行话和不流利清理问题不同，Gemini 3.5 Transcribe可以直接将原始音频转换为准确、精美、格式化的文本。”

它旨在轻松插入开发人员工作流程，允许构建语音代理、实时字幕或通话后分析管道。它可通过Live API进行实时流媒体传输，并通过Interactions API进行预录制的音频处理。

它的一些功能包括智能转录器，可以自动清理文本，例如删除人声停顿;识别自定义词汇;支持超过85种语言;并且最多可以识别三个说话者。

它的流媒体错误率为4%，非流媒体用例错误率为2.6%。在一系列语言的FLEURS基准测试中，它的表现也更好。例如，Gemini Transcribe 3.5 Live的字错误率为5.5%，而OpenAI（OPNAI）GPT Live Transcribe的字错误率为8.9%。

新模型今天已向开发人员和企业公开预览。对于所有其他人来说，它可以在macOS上的Gemini应用程序中提供英语版本，在部分国家/地区的Android上提供Rambler。它很快将在Chrome上提供。

本月早些时候，谷歌发布了Gemini 3.7 Flash，Gemini应用程序用户数量突破1B。然而，谷歌尚未发布其下一款前沿机型Gemini 3.5 Pro，该机型原定于6月发布。