Google发布Gemini 3.5 Transcribe语音转文字：流式+批量双端点，85种语言批量端WER仅2.6%

8 月 29 日讯，Google Cloud 官方 AI Blog 今日正式发布 Gemini 3.5 Transcribe 新一代多语种语音转文字产品。同日 Apple Podcasts《5 Minute AI News》当日第 5 条头条亦重点报道此事。Gemini 3.5 Transcribe 的最大特点是首次为同一产品提供 Streaming 流式与 Batch 批量两种独立端点，分别针对低延迟实时场景与高精度离线场景做了差异化架构设计，这也是 Google 语音产品线有史以来首次采用双模型并行路线。据披露，批量端点在涵盖 85 种语言的 LibriSpeech+FLEURS+VoxPopuli 混合基准测试集中，加权平均词错误率仅 2.6%，相较上一代 Chirp 2 下降 45%。产品首批已内置到 YouTube 自动字幕与 Google Meet 实时字幕功能中，同时通过 Vertex AI 平台开放付费 API 供企业客户调用。

一、双端点架构：流式低延迟与批量高精度的首次并行

Gemini 3.5 Transcribe 的 Streaming 流式端点主打低延迟优先路线。该端点采用 100ms Chunk 级流式拼接算法，配合端到端说话人分离模块，在常规 16kHz 单声道语音输入场景下可以实现端到端 100ms RTT（往返时间）的实时转写输出，适合视频会议、直播字幕、客服坐席辅助等对时效要求严格的场景。为保证流式输出的连贯性，Google 工程团队在解码器中引入了局部注意力回溯窗口，允许当前 Chunk 的解码结果对前 3 个 Chunk 做有限回溯修正，从而显著降低流式常见的句子截断与断词错误。

Batch 批量端点则走离线高精度优先路线。该模型配备了最长 30 分钟的长上下文自注意力窗口，能够在整段音频解码完成后进行跨段落语义纠错。这一设计使得批量端点对于专业领域术语、行业缩略语、多人交叉发言等复杂场景的理解能力大幅提升。官方技术白皮书显示，批量端点支持单次最长 120 小时的连续音频输入，这一记录远超行业同类产品通常 8 至 24 小时的单次处理上限。

值得强调的是，Streaming 与 Batch 两种端点的模型权重完全独立、各自训练，并非简单的同一模型前后处理差异。Google Cloud AI 副总裁在博客中解释这一决策时表示，流式和批量两种场景对模型的工程约束近乎对立——流式必须在算力预算内完成毫秒级解码，批量则需要在数小时内对超长上下文做深度注意力融合。强行共用一套模型会导致两个方向都无法达到业界最优，因此团队做出了首次双模型路线的激进选择。

二、性能数据：85种语言混合基准WER 2.6%

Google 官方同步披露了 Gemini 3.5 Transcribe 在多语种混合基准下的完整性能数据。测试集由 LibriSpeech 英语、FLEURS 102 语种以及 VoxPopuli 欧洲议会多语种语料拼接筛选而成，最终覆盖 85 种有效语言，总音频时长约 1700 小时。批量端点在该测试集上取得加权平均词错误率 2.6% 的成绩，而作为对比，上一代 Chirp 2 的 WER 为 4.7%，OpenAI Whisper v3 large 模型同条件下为 5.3%。

细分到具体语言表现上，中文普通话批量端点 WER 达到 2.1%，日语为 1.9%，印地语 3.3%，斯瓦西里语 5.1%。这一数据意味着 Google 在低资源非洲语种上也实现了相较前代约 40% 的错误率下降，反映出 Whisper 开源体系普及之后，各家厂商在多语种 ASR 领域军备竞赛再次升级。

说话人分离维度，Gemini 3.5 Transcribe 的 Diarization Error Rate（说话人错误率）为 6.2%，支持最多同时识别 12 个说话人身份标签，这一能力对于圆桌会议、法庭录音、多人访谈等典型批量转写场景至关重要。官方还特别指出，在中文普通话的方言测试子集（粤语、四川话、闽南语各 50 小时）中，批量端点也分别取得了 3.8%、4.5%、4.9% 的 WER 表现。

三、消费级内置：YouTube、Meet、Android Recorder 率先集成

Gemini 3.5 Transcribe 的首个落地点是 Google 自有消费级产品线。YouTube 从 8 月 29 日起对所有创作者开放基于批量端点的自动字幕生成，并在创作者工作室新增「一键纠错」功能——用户可以选中整句字幕并调用 Gemini 生成修正建议，系统会根据视频上下文语境给出 3 个可选重写版本。对于 YouTube Premium 订阅用户，还额外开放转录全文搜索功能，输入关键词即可直接跳转到对应视频时间戳；而标准版用户则仅能查看字幕，无法做全文检索。

Google Meet 的实时字幕与同声传译功能同步升级到流式端点驱动。新版 Meet 实时字幕支持 35 种语言之间的互译，发言人说中文时字幕可以实时切换为英语、日语、西班牙语等目标语言，延迟相较上一代产品下降约 35%。对于大型企业会议，Meet 还支持在会议结束后 10 分钟内自动输出基于批量端点的高质量完整纪要，包含说话人标签、议题分段、行动项总结等结构化内容。

Android 15 预装的 Recorder 录音 App 也在本次更新中获得了 Gemini 3.5 Transcribe 批量端点的能力。用户录音结束后可选择云端高精度转写，支持最长 12 小时单次录音的结构化输出。Pixel 系列手机由于具备 Tensor G4 专有 NPU，还可以在本地模式下运行轻量版流式端点，在无网络环境中完成基础转写任务。

四、Vertex API 企业场景：客服、销售、播客的商业化落地

面向企业客户，Gemini 3.5 Transcribe 通过 Google Cloud Vertex AI 平台开放付费 API。定价方面，Streaming 流式端点为 $0.015/分钟，Batch 批量端点为 $0.009/分钟，说话人分离功能作为免费附加选项内置其中。对比竞对价格，这一定价介于 Azure Speech GPT-4o 版（约 $0.02/分钟）和 Whisper v3 自建部署（约 $0.001/分钟）之间，属于典型的云厂商中间价位策略。

首批公布的企业落地场景集中在三大方向。第一类是券商与保险行业的客服录音质检与合规词匹配，Gemini 3.5 Transcribe 可在批量转写后与 Vertex AI 的规则引擎联动，自动标记「风险提示是否完整朗读」「客户授权是否明确」等合规检查点。第二类是销售电话总结与 CRM 自动同步，批量端点输出的结构化纪要可直接写入 Salesforce 或 HubSpot，自动更新客户跟进状态与下一行动项。第三类是播客与视频创作者的字幕时间戳与剪辑点推荐，批量端点可自动识别笑点、爆点、广告插入位置等剪辑标记，帮助创作者将长音频的剪辑准备时间从数小时压缩到分钟级。

Google 披露的首批重量级客户包括咨询巨头 Accenture、电商平台 Shopify 以及字节跳动海外版 TikTok Creator Suite。其中 TikTok Creator Suite 将使用批量端点为创作者提供一键多语种字幕生成，支持同时输出英语、西班牙语、印尼语等 15 种本地化字幕文件，大幅降低跨境短视频创作者的多语种运营成本。

五、竞对态势：ASR 市场的多极化格局

Gemini 3.5 Transcribe 的发布，将全球语音转文字市场的竞争进一步推向白热化。开源阵营一方，OpenAI Whisper v3 large 虽然在 WER 绝对值上仍高于各家闭源产品（5.3% vs 2.6%），但其最大优势在于可完全自建部署，综合成本约合 $0.001/分钟量级，对于对数据隐私要求极高、且具备自有 GPU 资源的大型企业和政府机构仍具备不可替代的吸引力。此外，Whisper 开源社区衍生出的 Faster-Whisper、Distil-Whisper 等推理加速版本，也让开源路线的性价比持续走高。

闭源云厂商路线中，微软 Azure Speech 服务最新集成的 GPT-4o 版 ASR 模型 WER 约 3.1%，略高于 Gemini 3.5 Transcribe 的 2.6%，但 Azure 的优势在于与 Dynamics 365、Power Platform 等微软全家桶深度打通，对已经使用微软生态的企业客户迁移成本极低。Anthropic 方面目前尚无独立 ASR 产品推出，业内普遍猜测其语音能力将通过与亚马逊 AWS 的深度合作形式落地，由 Amazon Transcribe 提供底层引擎、Claude 负责上层语义理解。

国内语音厂商方面，阿里达摩院 Paraformer v4 在中文普通话场景下以 0.9% 的 WER 保持业界最佳，但仅支持 38 种语言，多语种覆盖度与 Google、Whisper 存在明显差距。腾讯云 ASR 最新的 HunyuanSpeech 2 在中文 WER 1.2% 左右、支持 60 种语言，综合表现位于国内第二梯队头部。整体来看，全球 ASR 市场已形成 Google/Whisper 多语种领先、国内厂商中文场景更强、Azure 绑定微软生态的多极化格局，而 Gemini 3.5 Transcribe 的双端点架构有可能成为下一轮行业产品形态的对标标杆。

市场反响与行业影响

Gemini 3.5 Transcribe 发布当日，Google Cloud 官方 YouTube 频道直播发布会在线观看人数峰值达 4.7 万，相关话题在 X 平台（原 Twitter）#GeminiTranscribe 标签下 8 小时内讨论量突破 12 万条。投资者反应积极，Alphabet 当日盘后股价上涨 1.2%，反映市场对 Cloud AI 产品线差异化竞争力的认可。

行业分析机构 Gartner 在即时短评中指出，双端点独立模型架构代表了 ASR 产品设计的一次关键范式转换——此前业界普遍试图用「一个模型覆盖所有场景」，而 Google 本次公开承认不同场景的工程约束不可兼容，这将深刻影响未来 2-3 年语音 AI 产品的路线选择。另一家研究机构 DeepAudio Insights 则估算，到 2027 年全球 ASR API 市场规模将突破 170 亿美元，流式与批量两类端点的收入占比将约为 45:55，批量高精度场景的价值正在被市场重新认知。对于 YouTube 和 Google Meet 的海量用户而言，本次升级带来的字幕质量提升属于隐性福利，有望进一步强化 Google 在视频与会议工具领域的体验护城河。