WHY IT MATTERS
「语音第一次成为 AI 的实时输入层」· 精度与速度双纪录同时刷新
2026 年 8 月 27 日，Google 发布 Gemini 3.5 Transcribe —— 官方称之为 Google 史上最精确的语音转文本模型。在 Artificial Analysis 口径下，流式 WER 4.0%、非流式 WER 2.6%，词错率较此前最好水平最多下降 79%（流式）与 48%（非流式）；实时语音错误率 5.5%，对照 Chirp 3 的 7.32%。速度上，语音到最终文本约快 70%，流式场景做到亚秒级延迟。配合 85+ 语言自动检测、最多 3 个说话人带时间戳的输出、定制词汇与噪音环境下的字母数字实体捕获，它还能把文件分析、图像生成等复杂链式任务委托给其他 Gemini 模型 —— 转录从「打字替代品」变成语音 Agent 的输入层。