📖 AI 总结

Gemini 3.5 Transcribe 是谷歌推出的最新语音转文本模型，旨在提供高精度、智能化的实时转录服务。该模型能直接将原始音频转换为整洁、格式化的文本，有效处理背景噪音、专业术语和语音自我修正，并自动清除“嗯”“啊”等填充词。其核心优势包括：支持流式与非流式两种API，流式延迟低于一秒，适合交互式语音应用；非流式则提供说话人分离和词级时间戳，适用于会议和通话分析。据评测，该模型在流式场景下平均词错率（WER）为4.0%，非流式场景为2.6%，在嘈杂环境中表现稳健，并能准确识别邮政编码等字母数字实体。此外，它支持自定义词汇和函数调用，可委派图像生成等任务给其他Gemini模型。目前，该模型已集成于Gemini应用和Android系统，开发者可通过Gemini API、Google AI Studio等平台使用。