谷歌最强语音转写模型来了：准确率进前五，但还没打过ElevenLabs

动察 Beating AI 快讯，谷歌发布 Gemini 3.5 Transcribe，这是目前最准确的谷歌语音转写模型，也是谷歌首次在专用转写模型中加入 Smart 模式。模型分实时和录音转写两版，目前已开放 Gemini API 公测。Artificial Analysis 评测中，非流式 WER（词错误率，越低越好）为 2.6%，实时版为 4.0%。最终转写延迟相比上一代 Chirp 3 缩短 70%。 Smart 模式不再只是把声音逐字变成文字。比如你说「周二开会，不，周三」，它会直接留下「周三」；「嗯、啊」等口头禅也会自动删除，还能把口语整理成段落、列表、日期和数字。需要会议记录原话时，也可以继续使用默认的逐字转录模式。 模型支持 85 种以上语言和中途切换语言，还能加入自定义专业词汇。录音转写约每分钟 0.005 美元，也就是每 1000 分钟 5 美元；实时版约每分钟 0.009 美元。独立榜单上，它比 OpenAI GPT Transcribe 的 3.3% 更准，但还没超过 ElevenLabs Scribe v2：后者 WER 为 2.2%，每 1000 分钟约 3.67 美元。 这套模型已经用于 Android 的 Rambler 和 macOS 版 Gemini，接下来还会进入 Chrome。届时可以直接在网页输入框里说话打字。