谷歌上月发布 Gemini 3.5 Transcribe 语音转文字模型，支持85+语言，流式WER 4.0%、非流式2.6%

谷歌发布语音转文字模型 Gemini 3.5 Transcribe，称其为迄今最精确的语音转文字模型，可将原始音频转为经过润色和格式化的文本，在嘈杂环境或面对复杂术语时也能工作。该模型还驱动 Android Gboard 上的 Rambler 功能，可去除填充词、修正语法与标点，并支持通过语音指令编辑或改写、在语言间无缝切换。

谷歌开发者内容进一步说明，Gemini 3.5 Transcribe 支持 85 种以上语言，流式平均词错误率为 4.0%、非流式为 2.6%，并具备自动语码转换、自定义词汇偏置（最多 1,000 个词条）和智能转写模式（结构化格式、自我纠正、去除不流畅表达）等功能；可通过 Interactions API 转写最长 1 小时的音频文件，并输出结构化时间戳与说话人标注。

同一批谷歌内容还提到 Gemini 3.5 Live Translate 支持 70 种语言、2,000 多个语言对，以及旨在支持全球 1,000 种最常用语言的 1,000 Languages Initiative，其 Universal Speech Model 基于 1,200 万小时音频训练。