谷歌近日发布专为语音转文字场景设计的Gemini 3.5 Transcribe模型，旨在解决传统自动语音识别（ASR）在速度、准确率和成本上的痛点。该模型原生集成说话人分离与词级毫秒时间戳功能，能够直接输出带角色标注和精确时间信息的转录文本，减少了后处理工作量。

在语言支持方面，Gemini 3.5 Transcribe可自动识别并处理超过85种语言，同时支持代码切换，即在同一段音频中混合多种语言时仍能保持转录连贯性。这一特性对于多语种会议、国际采访等场景尤为实用。

针对专业领域的识别难题，模型允许开发者通过custom_vocabulary参数传入最多1000个自定义术语，有效规避专有名词、品牌名或行业术语的拼写错误。此外，模型提供Smart Transcription和Verbatim两种转录模式，前者自动优化标点与格式，后者则保留原始口语细节，满足不同应用需求。

谷歌强调，该模型在保持高准确率的同时，显著降低了转录成本，并提升了处理速度。对于需要大规模处理音频内容的企业开发者而言，Gemini 3.5 Transcribe有望成为替代现有ASR方案的有力选项。目前，模型已通过Google AI Studio或Gemini API向开发者开放，具体定价与配额信息可查阅官方文档。