Gemini 3.5 语音模型发布：延迟缩短 70%，即将登陆谷歌浏览

Google launches Gemini 3.5 Transcribe, which powers Gboard Rambler & is coming to Chrome - Gemini AI 使用场景配图

Google 正式推出了其迄今为止最精准的语音转文字模型 Gemini 3.5 Transcribe。该模型不仅实现了 70% 的转写延迟缩减，还能智能过滤“嗯、啊”等语气词，并自动修正说话过程中的口误，目前已应用于 Gboard Rambler 等原生产品，并计划于近期登陆 Chrome 浏览器，实现网页端全局语音输入。

Gemini 3.5 Transcribe 带来了哪些技术突破？

传统的语音识别模型通常只是机械地将声音转化为文字，容易保留说话者的口吃、重复以及背景噪音。Gemini 3.5 Transcribe 则是直接将原始音频转化为排版整洁、逻辑通顺的文本。它具备极强的语义理解能力，能够捕捉用户的自然说话风格，并识别自定义词汇。

口误实时修正：如果你在说话时说“我们周二见面——不，周三吧”，模型会自动识别你的修正意图，最终输出的文本直接显示为“我们周三见面”，无需手动修改。
语气词过滤：自动剔除音频末尾或中间夹杂的“嗯”、“啊”（ums、ahs）等无意义填充词。
性能大幅提升：根据第三方机构 Artificial Analysis 的测试，与 2025 年的 Chirp 3 转写模型相比，Gemini 3.5 Transcribe 的最终转写延迟缩短了 70%。在 FLEURS 多语言基准测试中，该模型在流式传输模式下的字错率（WER）仅为 5.50%，非流式模式下为 5.04%。

首批应用场景与功能联动

Gemini 3.5 Transcribe 不仅是一个转写工具，还具备“函数调用”（Function Calling）能力。这意味着它可以通过语音指令，将复杂的任务（如图像生成、文件分析）分发给其他 Gemini 模型协同处理。目前该模型已在以下场景落地：

Gboard Rambler (Android)：为安卓用户提供更具表现力的语音输入体验，支持自然的语音编辑与自动格式化。
Gemini macOS 应用：赋能“Speak to Window”功能，让用户通过语音直接控制桌面窗口并执行跨模型任务。
Google Antigravity 提示框：在征得用户同意的前提下，该模型能结合屏幕上下文和聊天历史记录，确保文件名、智能体思考过程以及活动文档中的专业术语得到精准转写。
Chrome 浏览器（即将推出）：用户未来可以在 Chrome 的任意网页输入框中“动口不动手”，直接通过语音撰写邮件、发表评论或与 Gemini 进行自然对话。

事件解读：对中文用户意味着什么？

尽管 Google 官方首发宣传侧重于英文生态，但 FLEURS 基准测试结果表明，Gemini 3.5 Transcribe 在多语言和本地化语境下同样具备极高的可用性。对于经常需要中英双语夹杂、或者在嘈杂办公环境下进行语音输入的用户来说，该模型能显著降低后期手动纠错的成本。

值得注意的是，结合屏幕上下文的转写功能（如 Antigravity 中的应用）解决了行业内“专有名词转写难”的痛点。例如，当你在写代码或讨论特定项目时，模型能准确识别出屏幕上出现的特殊变量名或不常见的人名，而不会错误地将其转译为同音常识词。不过，Chrome 浏览器的全局语音输入功能在中文环境下的首发适配程度和隐私保护边界，仍有待国内用户在正式上线后进行实际验证。

我之前也写过一篇和Gemini 3相关的文章：《谷歌推出 Gemini 3.8 Flash：通过“更努力思考”逼近前沿》，如果你想把这次更新放到更具体的场景里看，会更容易串起来。