Gemini-3.5-转录

今天，我们推出 Gemini 3.5 Transcribe，这是我们迄今为止最精确的语音转文本模型，专为智能语音交互而设计。与受背景噪音、复杂行话和不流畅清理困扰的传统语音识别模型不同，Gemini 3.5 Transcribe 可将原始音频直接转换为准确、优美的格式化文本。在我们的 Gemini 应用程序和 Android 等产品中，我们看到消费者已经从这种转录模型中受益，并通过新的语音功能（例如 Android 上的 Rambler 和 macOS 上的 Gemini 应用程序）受益。现在，开发人员可以在 Google AI Studio 和 Gemini Enterprise Agent Platform 的 Gemini API 中使用 Gemini 3.5 Transcribe 构建类似的功能。我们构建了 3.5 Transcribe，可以无缝插入您的开发人员工作流程，无论您是构建语音代理、实时字幕工具还是通话后分析管道。该模型可通过两个独立的 API 使用： 实时流：使用 Gemini-3.5-transcribe-live 通过 Live API 为交互式语音应用程序提供亚秒级延迟的连续双向流。预录制的音频处理：使用gemini-3.5-transcribe 通过交互API 转录录制的音频、会议、通话记录等，并包含发言者归属和单词级时间戳。获得更精确、更智能的转录 Gemini 3.5 Transcribe 旨在捕捉您的自然说话风格，以更好地理解您的意图并识别自定义词汇，以便您可以用语音执行任务。智能转录：无缝处理自我更正（例如“让我们星期二见面——不，星期三”），删除填充词（“ums”和“ahs”），自动设置文本格式。函数调用：模型可以通过函数调用将复杂的任务（例如图像生成和文件分析）委托给其他Gemini模型。目前可在 Gemini macOS 应用程序中使用。更精确的转录：根据人工分析的测量，流媒体用例的平均字错误率 (WER) 为 4.0%，非流媒体用例的平均字错误率 (WER) 为 2.6%。它在嘈杂的现实环境中表现出强大的性能，能够准确捕获邮政编码和订单 ID 等字母数字实体。自定义词汇：通过无缝地调整转录以适应您提供的自定义词汇，识别专业术语和独特的拼写。全球语言支持：自动检测和转录超过 85 种语言，无缝处理地区口音和多种方言。多说话人识别：准确归属预先录制的音频中的语音，并带有最多三个说话人的时间戳（对 3 个以上说话人的支持尚处于实验阶段）。