
Gemini 3.5 Transcribe 是谷歌发布的一款语音转文本 AI 模型,版本号 v3.5.0,能够自动删除口语中的嗯和呃等口头禅,并实时修正说错的句子。
该模型目前支持 85 种语言,可处理最多 3 名说话者的预录音频,已为 Pixel 11 上 Gboard 键盘的 Rambler 功能提供支持。
核心功能与技术亮点
文章正文
谷歌于 2026 年 8 月 27 日发布 Gemini 3.5 Transcribe 语音转文本模型。
该模型能够自动识别并删除嗯和呃等口头禅,还能在用户说错话后实时修正已生成的文本。
相比前代 Chirp 3 引擎,转录速度提升约 70%,实时语音场景错误率降至 5.5%。
用户可提供自定义词汇表,帮助模型更准确地识别专业术语和特定领域词汇。
源码简介
Gemini 3.5 Transcribe 是谷歌 DeepMind 团队开发的语音转文本模型。
与传统语音识别模型不同,它不仅将语音转换为文字,还理解用户意图并自动整理格式化文本。
模型支持 85 种语言和最多 3 名说话者的对话音频转录。
许可证为商业授权,非开源协议,与 MIT 协议的开源项目有本质区别。
核心技术栈基于 Gemini 3.5 系列架构,最后更新 2026 年 8 月。
竞品对比
| 特性 | Gemini 3.5 Transcribe | WHISPER | Chirp 3 |
|---|---|---|---|
| 定位 | 理解式转写 | 语音识别 | 语音转文字 |
| 口头禅删除 | 自动删除 | 不支持 | 不支持 |
| 自我修正 | 实时修正 | 不支持 | 不支持 |
| 语言支持 | 85种 | 99种 | 125种 |
| 错误率 | 5.5% | 8.2% | 7.32% |
对比 WHISPER 和 Chirp 3,区别在于 Gemini 3.5 Transcribe 具备理解式转写能力,可作为 Chirp 3 的替代方案。
适用场景
适用于需要高质量实时语音转文字的办公和会议场景。
支持多语言客服电话录音转写和字幕生成场景。
可用于播客和视频创作者的自动字幕制作。
适合需要清理口语表达的专业文档口述场景。
技术栈与运行环境
核心基于 Gemini 3.5 多模态架构,由 Google DeepMind 团队开发。
已集成到 Pixel 11 的 Gboard 键盘 Rambler 功能。
后续将陆续进入谷歌旗下更多产品和服务。
支持自定义词汇表和 3 人对话音频处理。
版本号 v3.5.0,最后更新 2026 年 8 月,更新日志见官方博客。
功能亮点
- 口头禅自动删除:识别并移除嗯和呃等语气词
- 实时自我修正:用户说错话后自动调整已生成文本
- 自定义词汇表:支持专业术语和领域词汇的精准识别
- 多人对话:最多支持 3 名说话者的预录音频转录
- 85 种语言:覆盖全球主要语种的语音转写能力
部署指南与常见问题
安装与部署提示
目前通过 Pixel 11 的 Gboard 键盘 Rambler 功能体验。
后续将扩展到谷歌旗下更多产品和服务。
开发者可关注 Google AI 官方博客获取 API 接入信息。
版本号 v3.5.0,最后更新 2026 年 8 月 27 日。
截图与演示说明
封面展示了 Google DeepMind 官网的 Gemini 模型介绍页面。
页面展示了 Gemini 系列模型的多模态能力和应用场景。
Rambler 功能在 Gboard 键盘中实时清理口语表达并生成通顺文本。
用户可在 Pixel 11 设备上体验语音输入的自动润色效果。
常见问题
问,Gemini 3.5 Transcribe 和 WHISPER 有什么区别?
区别在于 Gemini 3.5 Transcribe 具备理解式转写能力,可自动删除口头禅和修正口误,而 WHISPER 主要做语音转文字。
问,支持哪些语言?
目前支持 85 种语言的语音转写,覆盖全球主要语种。
问,是否开源?
该模型为商业授权,非 MIT 协议开源,需通过谷歌产品或 API 使用。
问,如何体验?
可通过 Pixel 11 的 Gboard 键盘 Rambler 功能体验,后续将扩展到更多谷歌产品。
下载说明
本文来源:IT之家,原文链接 https://www.ithome.com/0/994/960.htm 。
Gemini 3.5 Transcribe 由谷歌于 2026 年 8 月 27 日发布,版本 v3.5.0。
更新日志见 Google AI 官方博客,最后更新 2026 年 8 月。
GitHub 项目开源地址:https://github.com/google-deepmind