Story
谷歌发布Gemini 3.5 Transcribe,提升语音转文本模型的准确性与速度

Text size
Background
Alphabet旗下谷歌 (NASDAQ:GOOGL) 周三发布了其最新的语音转文本模型Gemini 3.5 Transcribe。该模型旨在提供近乎实时的音频转录服务,并相较于前代产品在准确性和延迟方面均有显著改进。
性能指标大幅优化
根据谷歌发布的数据,与之前的Chirp 3模型相比,Gemini 3.5 Transcribe将完成最终转录所需的时间缩短了70%。这一性能提升对于需要快速处理音频的商业应用至关重要。
在准确性方面,该模型表现出色:
- 根据第三方机构 Artificial Analysis 的测量,该模型在流式(实时)应用中的词错率 (Word Error Rate, WER) 为 4.0%。
- 在非流式(预录制音频)应用中,词错率进一步降低至 2.6%。
- 在另一项行业标准 FLEURS 基准测试中,该模型在流式和非流式场景下的词错率分别为5.50%和5.04%。
技术特性与应用场景
谷歌通过两个应用程序编程接口 (API) 提供该模型,以满足不同场景的需求。实时流式API(Live API)可实现亚秒级延迟,适用于实时字幕或语音助手;而交互式API(Interactions API)则专注于处理会议录音和通话记录等预录制音频,并能区分最多三名不同的发言者。
Ad该模型的核心功能包括:
- 自动检测并转录超过 85 种语言。
- 能够有效处理背景噪音、专业术语和发言者的口误修正。
- 自动去除填充词(如“嗯”、“啊”等)并进行文本格式化。
- 支持自定义词汇表,以提高特定行业术语的识别准确率。
产品集成与市场影响
Gemini 3.5 Transcribe已进入公测预览阶段,开发者可通过Google AI Studio进行试用,企业客户则可通过Gemini企业代理平台(Gemini Enterprise Agent Platform)进行集成。谷歌已将该技术整合到旗下多款产品中,包括macOS版的Gemini应用、安卓Gboard输入法的“Rambler”功能以及Google AI Studio。
谷歌还计划未来将该模型的听写功能引入Chrome浏览器。此举不仅增强了谷歌现有产品的竞争力,也进一步巩固了其在云AI服务领域的市场地位,为企业客户提供了更强大、高效的语音数据处理工具。