派早报：智谱开源 GLM-5.3-Flash 原生多模态模型等

8 月 26 日，Google 推出语音转文字（ASR）模型 Gemini 3.5 Transcribe。该模型支持实时流式转录和预录音频转录，可自动删除「嗯」「呃」等语气词、重复内容和口误，并根据用户随后的自我修正调整转录结果，生成更适合阅读的文本。 Google 表示，Gemini 3.5 Transcribe 的端到端转录延迟较上一代 Chirp 3 缩短约 70%。在 FLEURS 多语言基准测试中，其流式和非流式语音识别词错误率（WER）分别为 5.50% 和 5.04%；Artificial Analysis 的测试结果显示，该模型在流式和非流式场景下的平均 WER 分别为 4.0% 和 2.6%。此外，模型还改进了噪声环境下的转录表现，以及对订单号、邮政编码等字母数字组合的识别能力。 Gemini 3.5 Transcribe 支持 85 种以上语言，可自动识别语言并处理多语种切换。用户还可以提供自定义词汇表，以提高行业术语、品牌名和专有名词的识别准确率。对于预录音频，模型支持说话人区分和字词级时间戳。 开发者可通过 Google AI Studio、Google Antigravity 和 Gemini API 使用公开预览版。普通用户可在 macOS 版 Gemini App 以及部分地区 Android Gboard 的「Rambler」功能中体验相关能力，Chrome 浏览器的集成支持将在后续推出。 来源 Google 同步推出了 Gemini Omni 1.1 Flash 多模态视频生成与编辑模型，面向视频创作和编辑场景。该模型新增场景扩展、首尾帧插值、视频参考和高分辨率输出等功能。 在扩展已有视频时，模型可以分析最长 10 秒的前序内容，并以每次 10 秒的长度继续生成，累计时长最长可达 40 秒。用户还可以指定视频的起始帧和结束帧，由模型生成两者之间的动态过渡。此外，模型支持输入最长 3 秒的参考视频，用于保持角色、动作和场景的一致性。 模型还提供 360p 草稿模式。与标准 720p 模式相比，该模式的系统吞吐速度最高可提升约 60%，生成成本约为后者的三分之一。完成内容确认后，用户可以生成 1080p 或最高 4K 分辨率的视频。 Gemini Omni 1.1 Flash 按视频时长计费，360p、720p、1080p 和 4K 视频的 API 价格分别为每秒 0.03、0.10、0.15 和 0.30 美元。目前，该模型已通过 Google AI Studio、Gemini API 和 Gemini Enterprise Agent Platform 向开发者开放，并在 Google Flow 中提供给 Google AI Plus、Pro 和 Ultra 订阅用户。 来源