谷歌最強語音轉錄模型來了：準確率進前五，但還沒打過 ElevenLabs

動察 Beating AI 快訊，Google 發布 Gemini 3.5 Transcribe，這是目前最準確的 Google 語音轉錄模型，也是 Google 首次在專用轉錄模型中加入 Smart 模式。模型分實時和錄音轉錄兩版，目前已開放 Gemini API 公測。Artificial Analysis 評測中，非流式 WER（詞錯誤率，越低越好）為 2.6%，實時版為 4.0%。最終轉錄延遲相比上一代 Chirp 3 縮短 70%。

Smart 模式不再只是把聲音逐字變成文字。比如你說「週二開會，不，週三」，它會直接留下「週三」；「嗯、啊」等口頭禪也會自動刪除，還能把口語整理成段落、列表、日期和數字。需要會議記錄原話時，也可以繼續使用默認的逐字轉錄模式。

模型支持 85 種以上語言和中途切換語言，還能加入自定義專業詞彙。錄音轉錄約每分鐘 0.005 美元，也就是每 1000 分鐘 5 美元；實時版約每分鐘 0.009 美元。獨立榜單上，它比 OpenAI GPT Transcribe 的 3.3% 更準，但還沒超過 ElevenLabs Scribe v2：後者 WER 為 2.2%，每 1000 分鐘約 3.67 美元。

這套模型已經用於 Android 的 Rambler 和 macOS 版 Gemini，接下來還會進入 Chrome。屆時可以直接在網頁輸入框裡說話打字。