口述一句“周二见——不，改周三”，普通转写常会把两个日期都留下。Google推出的 Gemini 3.5 Transcribe 不只把声音逐字变成文字，还会结合上下文处理自我纠正、过滤“嗯”“啊”等填充词，并自动补上格式。它也支持自定义词汇，目标是减少行业术语、特殊拼写和口音带来的错误。
开发者现在可通过 Gemini API 接入两种模式：实时版本面向语音助手和字幕，延迟低于一秒；录音版本面向会议、通话记录等场景，可提供说话人归属和逐词时间戳。Google援引 Artificial Analysis 的测量称，两种模式的平均词错误率分别为 4.0% 和 2.6%；“词错误率”就是转写中漏字、错字和多字所占的比例，越低越好。
这次更新值得关注，因为 Google 正把 Gemini 的上下文理解能力包装成可直接嵌入产品的语音入口。不过，材料没有披露 API 定价和实际调用成本；多人识别目前正式支持最多三人，三人以上仍属实验功能。