8 月 26 日，谷歌 CEO Pichai 亲自在 X 上官宣新一代语音转文本模型 Gemini 3.5 Transcribe。它不再满足于逐字听写——自动清理语气词、理解临时改口，把口语直接整理成接近成稿的文本。流式转录词错误率 4.0%，非流式 2.6%，延迟较上一代缩短 70%。
谷歌引用 Artificial Analysis 的测评数据给出两项核心指标：实时流式转录的平均词错误率为 4.0%，非流式录音处理为 2.6%。词错误率衡量的是替换、删除和新增词语所占的比例——数值越低，转录结果越接近原始语音。
词错误率越低越好。但不同测试集的语言、噪声与口音分布会影响成绩，这两组数字不能代表模型在所有录音条件下的准确率。
低错误率只是入场券。
真正拉开体验差距的是延迟。实时版本通过 WebSocket 持续接收语音，以低于一秒的延迟返回阶段性转录结果，最终延迟较上一代 Chirp 3 缩短 70%——语音输入第一次可以像对话一样流畅，而不是说完再等三秒。
过去的语音识别追求忠实记录：讲了什么，就逐字写下什么。但真实口语里全是语气词、重复、停顿和临时改口——即便每个字都识别对了，结果仍然没法直接读。
"嗯""啊"、重复、口误全部保留。输出只是原始速记，仍需人工二次整理才能使用。
清理语气词与重复、根据上下文处理自我修正、补充标点与格式，并执行逆文本规范化。
两个例子最直观。
"我们周二开会——不，改成周三。" 模型理解后半句是对前面内容的修正，最终文本保留正确结果。"twenty six million dollars" 则被直接转换为 $26M——英文口述金额自动写成财务简写。
但"整理"也有代价。新闻采访、法律取证这类需要逐字核对的场景，自动删改可能改变说话人的原意。为此模型保留了 Verbatim 模式，可输出更接近逐字的记录。是否启用智能格式化，应当由场景决定——更整洁不等于更准确。
在行业狂卷多模态与 Coding Agent 的当下，单独发布一款语音转文本模型，表面看像"还在解决上一代问题"。X 上不乏直白的批评，最尖锐的一击来自一位 Gemini Ultra 付费用户。
"我已经后悔升级。额外功能只有在模型能力和产品迭代真正跟上行业进度时才有意义。"他曾经相信 Demis Hassabis 领导下的 DeepMind 能帮谷歌赢下竞争，但随着 Demis 不再负责日常运营，他感觉"DeepMind 的灵魂已经离开了"，谷歌面对的只剩一场赤裸的模型能力较量。
"你们看不清形势啊。"当同行都在强调更强的 Agent、端到端语音交互和复杂任务执行时，谷歌却把一款转录模型推到台前，付费用户会自然产生一种产品节奏与行业焦点错位的感觉。
需要把两件事分开看。
这些批评更多反映的是用户对谷歌整体 AI 进展与产品体验的不满，而不能单凭一款转录模型的发布，就判断其技术路线已经落后。节奏错位确实存在，但二者不能直接画等号。
把 Gemini 3.5 Transcribe 放进更长的时间线，结论会不一样。它的目标不是重新发明听写工具，而是补齐语音 Agent 进入生产环境前最基础、也最容易被忽视的一层：让机器先稳定听懂人类。
谷歌的野心不在最左一格。清理语气词、理解修正、输出格式化文本——本质是把语音从原始输入整理成适合模型继续处理的结构化上下文。
在客服、会议、采访、医疗记录这些场景里，背景噪声、多人同时说话、临时改口、中途切换语言，都会直接打断后续 Agent 的执行。自动删掉"嗯""啊"、理解自我修正，正是为了把这些变量在入口处消化掉。
谷歌已经开始集成：Android 版 Gboard 的 Rambler 功能把口述转为格式化文本；macOS 版 Gemini 应用能结合屏幕上下文，用语音指令调用其他模型完成总结、改写和图片生成。
转录是入口，不是终点。
把一款转录模型放在聚光灯下，不代表谷歌站错了位置——语音 Agent 的地基，恰恰是稳定听懂人类。真正的风险是，转录若沦为孤立服务，价值便到此为止。语音交互的下半场，比的不是谁听得更清楚，而是谁听完之后能做成更多事。
开发者已可通过 Google AI Studio 中的 Gemini API 调用，提供 gemini-3.5-transcribe-live 与 gemini-3.5-transcribe 两个版本；实时转录约 $0.009/分钟，非实时约 $0.005/分钟，附免费测试额度。
Google AI Studio → 创建 API Key 开始体验