Gemini 3.5 Transcribe：语音转文字新标杆
Gemini-3.5-Transcribe
Google 推出了全新的 Gemini 3.5 Transcribe 模型，旨在重新定义语音转文字的精准度与智能水平。这款模型不仅能实时处理背景噪音和口语中的填充词，还能自动修正口误并格式化文本。在流式传输场景下，其词错误率低至 4.0%，非流式场景更是达到 2.6%。开发者可通过 Gemini API 将其集成到语音助手、实时字幕工具中，而普通用户也能在 Gboard 的 Rambler 功能、Google Antigravity 以及 macOS 版 Gemini 应用中体验到自然流畅的语音交互。无论是识别专业术语还是支持全球 85 种语言，Gemini 3.5 Transcribe 都展现了超越前代 Chirp 3 的卓越性能。
Gemini 3.5 Transcribe 能够将原始音频直接转化为准确、经过润色且格式规范的文本，彻底改变了传统语音识别模型在处理背景噪音和复杂术语时的困境。
HN 评论区
122- Lucasoato
我在公司会议录音（包含德语、意大利语和英语）搭建的基准测试中，至少测试了 20 个 STT 模型。
这些录音包含大量行业专用词汇，语言在句子间切换，有时甚至在一句讨论中夹杂另一种语言的词汇。
目前唯一让我满意的本地模型是 Voxtral Mini 3b，唯一表现稍好的付费 API 是 eleven labs。是的，Voxtral 可能在基准测试中拿不到最高分，但对我来说，它解决了实际问题。它的速度可能不是最快的……但这对我不是问题。
我很乐意测试 Google 的这个新模型，但我还不确定是否会用它来替代那些能在我机器上轻松运行的方案。
- meetingthrower
我给一家公司开发了一个小应用，用于转录所有客服电话，进行 AI 审核，并将问题最严重的通话制作成播客（他们超爱这个功能）。每天的转录量大概有 20 小时。
大家目前用什么便宜的托管模型来做这个？（我不想自己搭建基础设施。）
我现在用的是 Gemini Flash Lite。我不需要实时处理，全是批量作业，且是清晰的英语……但每个月还是要花点小钱。我想如果市面上有更便宜的模型，成本应该能降下来。
- Crystalin
我在 Pixel 11 Pro 上测试过，大部分时间我不太喜欢它。当你需要长篇大论且来不及先思考时，它确实很方便。
但主要问题在于，当你想表达精确措辞时，它可能会“简化”内容，从而破坏原意。
比如我说：“我犹豫着要不要去检查，我本该核实一下”，它转写成了：“我本该核实一下”（“我犹豫着……
- ameliaquining
这部分被删掉了，但我特意说出来是为了让对方知道我之前考虑过这件事）。
我试了好几次，它每次都删掉了前半部分。
- decide1000
“函数调用：该模型可以通过函数调用将复杂任务（如图像生成和文件分析）委托给其他 Gemini 模型。目前仅在 Gemini macOS 应用中可用。”
这句话把我搞糊涂了，因为它听起来像是 STT 模型可以发起函数调用来执行任意任务，这完全不合逻辑。开发者文档（https://ai.google.dev/gemini-api/docs/models/gemini-3.5-tran...）证实，Gemini 3.5 Transcribe 模型实际上并不能进行函数调用。我想这篇博客只是用词非常令人困惑，试图描述他们的消费级助手/聊天机器人应用既能通过 Gemini 3.5 Transcribe 接收音频输入，又能按需调用其他功能。或者，也许这个要点本来是针对另一个模型公告的，有人编辑时搞错了。
- lnalx
我结合使用 Whisper 和 Qwen3.8 27b 为俄语视频制作荷兰语字幕。我关注一些关于战争的乌克兰频道，现在终于能听懂了。在我的其他语言测试中，Voxtral 比 Whisper 表现更好。Whisper 经常出错，我现在通过增加一层（qwen）来解决这个问题。
遗憾的是，Mistral 不支持乌克兰语。希望这种情况能改变！我对欧洲模型寄予厚望。
- zhivota
我亲自测试了所有 STT 模型，用于我的实时翻译器（https://fliptalk.ai）。从语言检测、嘈杂环境下的准确率，到最关键的一点：延迟。
目前，Soniox STT v5 绝对是最好的，我对它的表现印象深刻。Google 发布 Gemini-3.5-Transcribe 是好事，它在准确率上击败了所有其他模型，但在延迟方面肯定还需要改进，而延迟对于 STT 应用来说是最关键的因素。
- spentrent
如果我能搞清楚怎么给 Google 付钱并拿到 token，我肯定会更频繁地使用 Gemini API。他们那一套分级机制简直荒谬，跟竞争对手比起来完全是瞎折腾。