header-langage
简体中文
繁體中文
English
Tiếng Việt
한국어
日本語
ภาษาไทย
Türkçe
扫码下载APP
Partnered With:

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。

AI 解读
谷歌在语音转写赛道补上了关键一环。Gemini 3.5 Transcribe 的发布,让这家巨头在 STT 领域终于有了对标 OpenAI GPT Transcribe 和 ElevenLabs Scribe v2 的旗舰产品,而非此前 Chirp 系列的跟随姿态。2.6% 的非流式 WER 虽未登顶,但将延迟缩短 70% 并引入 Smart 模式,说明谷歌正将竞争焦点从纯准确率转向「转录+语义整理」的复合体验,直接对标 OpenAI 此前强调的上下文理解能力。

值得注意的细节是定价。录音版每 1000 分钟 5 美元,比 ElevenLabs 的 3.67 美元贵 36%,但准确率落后 0.4 个百分点。这个差价买的是 Smart 模式、85 种语言和即将进入 Chrome 的入口优势。更值得关注的是,这已是近五个月来继 Cohere、微软、xAI 之后又一巨头加码 STT,语音转录正成为大模型厂商争夺 Agent 交互入口的前哨战。
展开

全球市场热点不用到处刷,消息送到你眼前

加入律动飞书频道
纠错/举报
提交
新增文库
仅自己可见
公开
保存
选择文库
新增文库
取消
完成