- 发布日期
支持85余种语言、平均字错率仅2.6%的语音转文字模型
- 作者
- 姓名
- 荷鲁斯快报
- 社交账号
谷歌近日发布了Gemini 3.5 Transcribe，这是一套全新的语音转文字模型套件，专为实时语音界面和已处理音频文件设计。此次发布推出了两个不同的API端点：gemini-3.5-transcribe用于通过Interactions API处理预录音频，gemini-3.5-transcribe-live则用于通过Live API进行实时双向流传输。这一举措标志着功能上的战略性划分，每个端点提供不同的功能集、性能限制和定价结构。
模型在准确性和速度方面均有显著提升。Artificial Analysis的独立测量显示，非流式处理的平均字错误率为2.6%，实时流传输为4.0%。性能较谷歌之前的Chirp 3模型有显著改进，最终转录时间缩短了70%。自动语言检测现已覆盖超过85种语言和地区，包括无需配置即可处理句子中途的语码转换。
Live API针对亚秒级延迟进行优化，适用于语音代理和实时字幕。它接受100毫秒片段的原始16kHz音频，并支持推测性部分转录等功能。然而，连续流传输的硬性限制为10分钟，且不支持说话人分离或单词级时间戳。对于这些高级功能，用户必须使用Interactions API处理预录文件。
一个关键的设计决策是两个端点均提供两种处理模式。默认的“逐字”模式会转录所有内容，包括填充词和错误开头。相比之下，“智能”模式会清理文本，移除不流畅之处并内联修正自我指涉。一个关键的权衡是，智能模式无法与分离或单词时间戳结合使用，这实际上将人类可读的摘要与详细的审计跟踪分离开来。
部署仅通过API进行，没有开放权重供自托管，将其定位为托管服务。谷歌通过分层结构提供访问权限。独立开发者可以通过Google AI Studio免费开始使用，而中型团队可以使用付费层以获得更高限制和内容隐私。受监管的企业可以通过Gemini Enterprise Agent Platform获得合规控制和批量折扣。开发者版和企业版目前均处于公开预览阶段。
此次发布针对广泛的行业和应用，从联络中心和临床文档到媒体字幕和会议工具。Live API已集成到包括LiveKit、Pipecat和Vercel在内的生态系统中。随着转录成为语音驱动界面的基础工具，谷歌的细分方法为开发者提供了一套清晰但受限的工具集，用于构建下一代音频驱动应用程序。
