Gemini 3.5 Transcribe 语音转录 API 发布：WER 2.6% 且支持 85+ 种语言

Google 发布 Gemini 3.5 Transcribe 与 Transcribe Live API，分别面向预录音频和实时流式转录，关注价值在于语音接口开始同时竞争识别准确率、响应延迟、语言覆盖和上下文处理能力。

• Google 官方博客于 2026 年 8 月 26 日称，预录音频版本通过 Interactions API 提供说话人归属和词级时间戳，实时版本通过 Live API 提供双向流式处理。
• Google 引用 Artificial Analysis 的测量结果称，非流式平均词错误率为 2.6%，流式为 4.0%；这是特定评测条件下的结果，不能直接代表所有语言和噪声环境。
• 官方还称，模型支持超过 85 种语言，预录音频模式可识别最多三名说话人，三人以上属于实验性支持。
• Google 在同一篇公告中表示，模型在其 FLEURS 测试集合上的非流式和流式词错误率分别为 5.04% 和 5.50%，与前述第三方测量口径不同。
• 产品目前以公开预览形式提供，实际使用还会受到 API 价格、区域可用性、配额、音频质量和说话人重叠等因素影响。
• 影响/看点：如果低延迟和多语言能力能在真实会议、客服及语音代理场景中稳定表现，开发者可能减少自建语音管线的工作；但采购判断仍应以目标语言、行业术语和端到端延迟测试为依据。
• 资料依据：Google《Introducing Gemini 3.5 Transcribe》（2026年8月26日）https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-5-transcribe/
• Google AI 文档《Gemini Live API》https://ai.google.dev/gemini-api/docs/live

本内容由 AI 生成，仅供参考，请注意甄别