谷歌发布Gemini 3.5 Transcribe语音转文字模型，能直接处理背景噪音、复杂术语和语言不流畅问题，将原始音频转化为准确、精炼的格式化文本，已在Gemini应用和安卓设备上应用。

谷歌发布Gemini 3.5 Transcribe语音转文字模型，该模型能精准处理背景噪音、专业术语和口语不流畅问题，将原始音频直接转换为准确、格式化的文本。该模型已在Gemini应用和安卓系统中应用，如安卓的Rambler功能和macOS的Gemini应用。开发者可通过Google AI Studio的Gemini API和Gemini Enterprise Agent Platform使用该模型。

模型提供两种API：实时流式API（用于交互式语音应用，延迟低于1秒）和预录音频处理API（用于转录会议、通话记录等，支持说话人识别和时间戳）。主要功能包括：智能转录（自动处理自我修正、删除填充词、格式化文本）、函数调用（可委托复杂任务给其他Gemini模型）、高精度转录（流式词错误率4.0%，非流式2.6%）、自定义词汇识别、支持85种以上语言、多说话人识别（最多3人）。

相比前代Chirp 3模型，Gemini 3.5 Transcribe在性能上有显著提升，最终转录时间改善70%，在FLEURS基准测试中流式WER为5.50%，非流式为5.04%。该模型已集成到Gboard（安卓Rambler功能）、Google Antigravity、Google AI Studio、macOS Gemini应用等产品中，即将支持Chrome浏览器。

开发者可通过Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel和Vision Agents等平台使用该模型。vivo、Intellitek Health和Lingopal等公司已给予积极反馈。该模型现已面向开发者、企业和普通用户开放预览。

根据评论内容，主要观点和论据如下：

正面评价（认可度较高）： - 功能令人印象深刻，尤其支持在任意文本字段中通过语音生成图像（评论10）。 - 对多语言学习者和字幕格式化处理感兴趣（评论1）。 - 期待YouTube自动字幕功能因此改进（评论6）。

负面评价（认可度较低）： - 词错误率（WER）指标不全面，实际存在随机插入句断、光标定位困难等问题（评论3）。 - 存在幻觉问题，如无音频时输出重复无意义文本（评论5）。 - 简化特定措辞，导致语义丢失（评论8）。 - 性能不如ElevenLabs Scribe，且价格更高（评论11）。

中立/技术性讨论： - 计算发生在云端（评论7）。 - 本地模型Voxtral Mini 3b在特定场景下表现更优（评论9）。 - 功能在Android GBoard上尚未完全推送（评论2）。 - 对训练数据来源和Waze导航改进提出疑问（评论4）。

关键引用： - 正面：评论1 "I'd love to know how this handles proper subtitle formatting."；评论10 "Very impressive, including the ability to hit fn in any text field and say 'generate an image ...'." - 负面：评论3 "My biggest complaint is that it inserts sentence breaks in random places"；评论8 "it might 'simplify' it and break the meaning"；评论11 "Still more expensive and worse performing than ElevenLabs Scribe." - 中立：评论7 "Where does the compute happen? I suppose it's a cloud thing?"；评论9 "The only local model that satisfies me is Voxtral Mini 3b."