Google DeepMind今日正式发布Gemini 3.5 Transcribe，一款面向实时语音交互场景的专用语音转文本模型。该模型同时提供流式与非流式两种API接入方式，旨在覆盖从即时对话到离线批处理的多类应用需求。

据独立评测机构Artificial Analysis的最新数据，Gemini 3.5 Transcribe在流式模式下的平均词错率为4.0%，非流式模式下则为2.6%。这一成绩表明，模型在保持低延迟响应的同时，并未显著牺牲转写精度，为开发者提供了兼顾实时性与准确性的技术选项。

在功能覆盖面上，该模型支持超过85种语言的语音识别，并内置自定义词汇表功能，允许用户针对特定领域术语进行优化。此外，模型还具备最多三人的说话人识别能力，可区分不同发言者，适用于会议纪要、客服对话等多人交互场景。

此次发布延续了DeepMind在语音技术上的迭代节奏。此前，Gemini系列模型已在多模态理解上积累优势，而Transcribe子模型的独立推出，则显示出其将底层能力拆解为专项服务的策略，以更灵活地适配不同开发者的调用需求。

对于AI应用开发者而言，更低词错率与多语言支持意味着更可靠的交互基础，而流式API的优化则可能推动实时翻译、语音助手等场景的体验升级。目前，该模型已通过Google AI Studio及Vertex AI平台开放使用。