‘嗯……呃……’的胡言乱语也能完美理解？谷歌推出智能语音识别AI‘Gemini 3.5 Transcribe’

AI Summary

谷歌发布了高性能语音识别AI‘Gemini 3.5 Transcribe’，该AI能自动过滤掉不必要的口吃和‘呃’、‘嗯’等填充词，并能区分多达3人的声音，甚至解读情感。

想象一下。三四位同事围坐在会议室里，激烈地讨论着下个月即将发布的新产品。由于大家心急如焚、热情高涨，说话常常磕磕巴巴、相互重叠。一位同事挥了挥手，提高声音说：

“嗯……我的意思是，关于这款新产品的设计，呃……我认为应该用更偏蓝的色调……啊，不对，比起蓝色，天蓝色更好。总之，我认为这样做客户会喜欢的。”

会议结束后，您满怀期待地打开了由AI驱动的STT（Speech-to-Text，语音识别技术）服务整理好的会议记录。如果是一般的录音转写程序，它会把“嗯……我的意思是……呃……啊，不对……嗯……”这样与对话语境毫无关系、冗余的词语全都一字不落地写下来。结果，阅读者不仅头疼不已，还得费力地从头到尾逐字修改句子，才能找到真正重要的内容。

然而，谷歌此次隆重推出的全新人工智能语音识别技术，其水平完全不同。AI在听到上述对话的瞬间，就能在脑海中实时地剔除掉那些冗余的词语，像人一样整理得井井有条，只留下要点。

“新产品的设计应采用天蓝色系，这在考虑客户偏好方面是最为合适的。”

这不就像一位察言观色、センス敏锐的秘书，在向社长汇报之前，已经将潦草的笔录整理成了一份条理清晰、一丝不苟的报告吗？这就是谷歌于2026年8月26日公之于众的最新AI语音识别模型——“Gemini 3.5 Transcribe”所展现出的惊人技术革新谷歌发布Gemini 3.5 Transcribe，转录速度提升70% - AX BRIEF, Google「Gemini 3.5 Transcribe」深度解析：Chirp 3的后续语音转写能够消除“呃”——85种语言自动识别…。

1. 这为何重要？ (Why It Matters)

我们平时使用智能手机的虚拟语音助手下达指令，或者在公共交通工具上观看YouTube的自动字幕时，最令人沮丧的是什么？正是我们在日常生活中无意识说出的各种不必要的废话。

我们在日常对话中，为了争取思考时间或出于习惯，平均会掺杂很多“呃……”、“嗯……”、“那个，就是说……”之类的无意义声音。语言学上将这些定义为“填充词（Filler words，用于填补对话空隙的不必要词语）”或语流中的不流畅词（Disfluencies）谷歌发布Gemini 3.5 Transcribe，转录速度提升70% - AX BRIEF, Google「Gemini 3.5 Transcribe」深度解析：Chirp 3的后续语音转写能够消除“呃”——85种语言自动识别…。

从计算机科学的角度来看，这些填充词在分析语音数据时属于非常棘手的“噪声”。旧的一般语音识别程序只是将听到的声音频率原封不动地转录成文字。结果，用户不得不手动删除文本文件中无用的填充词，并修正语句不通顺的地方，进行近乎繁重的文字劳动。

然而，谷歌最新的Gemini 3.5 Transcribe在识别原始音频（Raw Audio，未经编辑的原始音频数据）的瞬间，就能智能地消除不必要的背景噪音和口吃，并将其转换为符合语法、整理得当的结构化文本（Structured Text）谷歌发布Gemini 3.5 Transcribe，转录速度提升70% - AX BRIEF, Google says its latest Gemini transcription model can turn …。

最核心的技术飞跃在于，转录（Transcription，将语音转换为文字的工作）速度与现有模型相比，竟然提升了70%谷歌发布Gemini 3.5 Transcribe，转录速度提升70% - AX BRIEF。简单来说，打个比方，以前将长达1小时的大学讲座或访谈录音转换为文本需要花费10分钟，而现在，只需3分钟就能眨眼间流畅地完成所有转换工作。

此外，这款新人工智能模型还针对需要处理大量数据或对响应速度要求极高的“实时对话”和“即时翻译”环境进行了优化设计，使其能够以非常轻量且低成本的基础设施运行，并表现出色 Gemini 3.5 Audio (Live Translate, Transcribe, Transcribe Live)。这对于在会议记录和报告整理上花费大量精力的职场人士，需要速记大型讲座的大学生，乃至从事全球化商务的现代人来说，都提供了显著提高工作效率的技术里程碑。

2. 轻松理解 (The Explainer)

谷歌是如何如此巧妙地克服了现有计算机程序一直未能解决的“口吃消除”问题的呢？通过三个生动的生活化比喻，让我们深入探究一下这个尖端AI的有趣之处。

💡 比喻 1：“拥有速记员资格的专业编辑”

如果说第一代语音识别技术（例如该模型的前代产品谷歌的Chirp 3模型）就像一个忙于抄写老师口述内容的小学生，那么Gemini 3.5 Transcribe则像一位在聆听的同时分析语境，并能最恰当地校正句子的熟练专业编辑Google「Gemini 3.5 Transcribe」深度解析：Chirp 3的后续语音转写能够消除“呃”——85种语言自动识别…, PDF(Transcribe, 3.5 Audio Transcribe Live) Model evaluation。

Gemini 3.5 Transcribe并非仅仅通过识别空气振动来翻阅词典，以一种被动的方式来识别对话。该模型继承了Gemini 3系列引以为傲的下一代大脑技术——“原生多模态（Natively Multimodal，即从一开始就将声音和文本视为一体进行学习，而非分开学习）”以及深入的“推理能力（Reasoning）”Gemini 3.5 Audio (Live Translate, Transcribe, Transcribe Live)。

因此，它能够通过整体的语境和逻辑流程，清晰地识别出用户在对话中途改变主意，“啊，不是那个……”这样自我纠正（Self-corrections）的情况Google Releases Gemini 3.5 Transcribe Models。人工智能能够巧妙地推断出前后语境，理解“啊，这个人一开始说的话是无意识的失误，而后面纠正的话才是他真正想表达的核心意思！”然后，在脑海中自动编辑掉说错的部分，只留下正确的结论，从而实现了高层次的处理能力Google Releases Gemini 3.5 Transcribe Models。

💡 比喻 2：“眼观六路、耳听八方、聪明的即时同传翻译家”

在全球化商务的视频会议中，当英语、中文、韩语等多种语言同时混杂出现时，传统的软件会因无法区分语言而出现完全的误操作。然而，Gemini 3.5 Transcribe展现了其作为一位聪明的天才翻译家的真正实力，能够轻松地打破世界语言之间无形的壁垒 Google「Gemini 3.5 Transcribe」深度解析：Chirp 3的后续语音转写能够消除“呃”——85种语言自动识别…, Google Releases Gemini 3.5 Transcribe Models。

这位多才多艺的AI翻译家能够熟练地运用以下革命性的工具：

85种以上语言自动检测系统：无需麻烦地预先切换设置，说一句“现在开始我将用英语讲话”。一旦语音被输入麦克风，AI就能以光速识别出是哪种语言，并即时正确地转录 Google「Gemini 3.5 Transcribe」深度解析：Chirp 3的后续语音转写能够消除“呃”——85种语言自动识别…, Google Releases Gemini 3.5 Transcribe Models。
精确的3人说话者分离（Speaker Attribution）：当多人在一个空间里嘈杂地进行激烈的对话时也是如此。人工智能能够精确识别多达3位拥有独特声线特征的不同说话者，并清晰地区分，在每句话前准确地加上“说话者A”、“说话者B”、“说话者C”等智能标签，从而条理清晰地分离会议记录 Google Releases Gemini 3.5 Transcribe Models, Google adds Gemini 3.5 Transcribe for cleaner audio transcripts。
情感识别（Emotion Detection）技术：AI不仅仅是一个简单的文字打字机。当声音输入时，它能够通过仔细分析声音中微小的语调、语速变化和频率振幅变化，以高精度捕捉对话者的情绪状态，如愤怒、悲伤、兴奋等 Gemini 3.5 Transcribe brings emotion detection and speaker ID …。
毫秒级时间戳和复杂专业领域征服：即使是平时难以听到的复杂医学知识、精细的法律术语、特定信息技术（IT）领域的高难度专业术语（Specialized Jargon），它也能通过周围的语境智能地匹配拼写。此外，它还能以非常精确的单位，逐条记录下每个词语在录音中准确的“分钟：秒”时间点 Google Releases Gemini 3.5 Transcribe Models。

3. 当前状况 (Where We Stand)

这项了不起的AI技术并非仅仅存在于遥远的科幻电影或实验室研究员的显示器中。谷歌已经将这个智能模型密集地应用于我们日常使用的谷歌核心产品以及全球开发者活跃的广泛应用生态系统中。

其中最典型的代表是我们每天使用的智能手机上的谷歌官方虚拟键盘应用“Gboard”。Gboard中，可以通过语音方便地输入文字的语音输入工具“Rambler”功能，其最核心的AI心脏就是采用了Gemini 3.5 Transcribe模型，并实时流畅地运行着 Google announces Gemini 3.5 Transcribe for AI-powered speech …, Google launches Gemini 3.5 Transcribe, which powers Rambler。

此外，谷歌Chrome浏览器中各种基于语音识别的控制解决方案，以及谷歌引以为傲的实时对话AI服务“Gemini Live”的助手性能提升，都离不开这项升级的语音识别技术作为核心基础 Google announces Gemini 3.5 Transcribe for AI-powered speech …, Google launches Gemini 3.5 Transcribe, which powers Rambler。

同时，为全球无数Web开发者提供了将这款智能语音助手轻松定制并集成到其自有应用或内部系统中的途径。最典型的例子是，Gemini 3.5 Transcribe API（Application Programming Interface，帮助不同程序之间方便地交换数据的通信工具）已正式注册到领先的云开发平台Vercel的“AI Gateway”上 Gemini 3.5 Transcribe now available on AI Gateway - Vercel。

在这个应用开发舞台上，程序员们可以根据其开发目标和业务环境，选择两种特别的详细模型进行设计 Gemini 3.5 Transcribe now available on AI Gateway - Vercel:

🍣 套餐料理 vs 回转寿司：两种选择带来的乐趣

通用模型 (google/gemini-3.5-transcribe)：打个比方，这就像在厨房里精心烹制好所有菜肴，然后一次性端到客人餐桌上的精致“套餐料理”。当需要一次性将已完美录制完成的音频文件上传至系统，并转换为无错、整洁、高质量的文本结果时，它能展现出卓越的性能 Gemini 3.5 Transcribe now available on AI Gateway - Vercel。
实时模型 (google/gemini-3.5-transcribe-live)：简单来说，这就如同厨师接到客人点单后，立即手工捏制寿司，并依次放在客人面前的盘子上的生动“回转寿司”。它基于WebSocket（一种在互联网Web浏览器与大型服务器之间不间断地实时传输高速数据的连接协议）通信标准，当用户对着麦克风低语时，它会将音频数据细分成小块并持续实时传输，从而在用户说话未完结之前，就能即时在屏幕上呈现字幕，展现出一种积极、快速的交互体验 Gemini 3.5 Transcribe now available on AI Gateway - Vercel。

4. 未来展望？ (What’s Next)

Gemini 3.5 Transcribe的这次伟大出现，向我们展示的不仅仅是“AI打字机变得更快速、更灵活”的物理意义，更预示着一个全新的未来图景。未来这项技术普及后，我们的日常生活将面临怎样的奇幻变革？

首先，完全无障碍、真正的全球实时畅聊将成为现实。过去，自动翻译器常常因为说话者的咳嗽声或“呃……那个……”等短暂的语调停顿而中断，或被错误直译，导致对话频频中断。但有了这次Gemini 3.5 Transcribe引擎——它能智能地捕捉语境背后的真正意图并巧妙地过滤掉填充词——即使与不同国籍的对话者面对面交流，也能享受到如同与母语邻居交谈般流畅、激动人心的连接时刻。

其次，一种真正以语音为中心、完全取代手指打字的IT设备使用文化将牢固确立。不再需要忍受长时间打字带来的肩部疼痛，只需像与亲密朋友轻松聊天一样，电脑就能领会意图、整理并精确输出策划书、工作邮件、长篇论文。因为AI甚至能清晰识别那些复杂、困难、高难度的职业专业术语。

最后，这将极大地改善听力障碍人士的生活，并从根本上改变教育和媒体视频内容的字幕分发环境。当麦克风捕捉到的嘈杂人声输入后，相比现有语音分析器，70%更快的速度将净化掉所有冗余内容，高质量的实时字幕将如瀑布般呈现在屏幕上谷歌发布Gemini 3.5 Transcribe，转录速度提升70% - AX BRIEF。

AI的视角 (AI’s Take)

MindTickleBytes AI记者视角： 人工智能初露锋芒的时代，计算机希望人类能以清晰、明确的“计算机式命令”与其交流。因为一旦语调稍有偏差，它就无法理解。

然而，Gemini 3.5 Transcribe彻底颠覆了这一格局。它温和地包容了人类特有的不完整、犹豫、笨拙的口吃，将其视为人类自然习惯的一部分，并温暖地调整、梳理出其背后纯粹的意图和语境。在这个真正意义上机器开始主动关怀人类语言习惯的技术共生之路上，人与人工智能之间的沟通距离，比以往任何时候都更加璀璨地拉近了。

参考资料

事实核查摘要

检查的声明：24
经验证的声明：24
结论：通过

Share this article:

测试你的理解

Q1. Gemini 3.5 Transcribe与前代模型Chirp 3相比，主要区别是什么？

它只会逐字记录语音，完全不包含翻译功能。
它能自动删除说话时无意识使用的‘呃……’、‘嗯……’等填充词，并整理文本。
它能自动识别视频字幕，并删除视频文件本身。

Gemini 3.5 Transcribe的核心优势在于它能够自动删除说话过程中出现的填充词或口吃，并将其转换为流畅、精炼的文本。

Q2. Gemini 3.5 Transcribe最多可以区分录音中的多少位说话者（说话人）并进行标记？

最多2位
最多3位
最多10位

该模型支持说话者分离功能，最多可区分同一音频文件中的3位对话者，并标明各自的发言内容。

Q3. 开发者在想要实时接收连续音频数据进行转录时，应使用Gemini 3.5 Transcribe的哪个详细模型？

google/gemini-3.5-transcribe
google/gemini-3.5-transcribe-live
google/gemini-3.5-transcribe-speech

当一次性处理整个录音文件时，使用通用模型；而当通过WebSocket通信实时接收音频并进行转录时，则使用‘live’模型。