Google 公布了一款新的 AI 音频模型，该公司表示该模型在语音识别和转录方面有所改进。该公司称 Gemini 3.5 Transcribe 比早期模型更擅长将语音转换为文本，具有更高的精度，并且能够自动检测超过 85 种语言。该公司表示，该模型可以将用户的非结构化语音调整为格式化文本。你可以使用它通过语音命令进行编辑，它还会去除转录语音中的填充词。
无需逐字输入每个想法，Gemini 3.5 Transcribe 能够适应你实际的说话方式：
✅ 无缝处理自我纠正
✨ 去除填充词以提供清晰、格式化的文本
🎯 理解你的自然意图和说话风格
🔊 准确捕捉音频
Google 表示，该模型可以学习自定义词汇和独特的拼写方式，并擅长捕捉包含字母和数字的字符串，例如订单号和邮政编码。此外，该公司声称 Gemini 3.5 Transcribe 能够根据预录音频，将语音分配给最多三位说话人，并提供词级时间戳。这对于转录播客等场景非常有用。
Gemini 3.5 Transcribe 驱动 Android 设备（如 Pixel 11 系列手机）上的 Rambler 功能，以及 macOS 上的 Gemini 应用（在那里它可以与其他 Gemini 模型协作执行代理任务），这一点可能并不令人意外。
有趣的是，Google 表示你很快就能在 Chrome 网页的任何文本字段中使用文字转语音功能。例如，你可以用语音输入回复和帖子，并用语音向 Gemini 发出指令。Gemini 3.5 Transcribe 也已登陆 Google Antigravity（该公司的智能体开发平台），并将陆续上线 Search Live、Gemini Live、Docs、Keep 和 Gmail。开发者还可以通过 API 调用该模型。
更新，2026 年 8 月 26 日，美国东部时间下午 2:05：已更新，删除了 Google 尚未公开宣布的一些信息。