谷歌近日推出了一款被其称为“迄今最精准”的语音转文本模型——Gemini 3.5 Transcribe，并同步将其整合至旗下多款核心产品中，同时通过Gemini API向开发者开放预览功能。这一动作标志着谷歌在语音交互领域的战略布局进一步深化，试图通过技术升级重塑用户与AI系统的交互方式。
该模型的核心优势在于其“意图理解”能力。与传统语音转文本工具仅能逐字记录不同，Gemini 3.5 Transcribe可自动过滤“um”“uh”等口语化填充词，并智能添加标点符号、调整文本格式，将非结构化的口述内容直接转化为结构化文本。例如，用户无需手动修正，即可获得一段排版整齐、逻辑清晰的会议记录或备忘录。
在产品落地层面，谷歌已将该模型嵌入Android版Gboard的Rambler语音输入功能，以及Mac版Gemini应用中。用户可通过语音直接完成消息回复、帖子撰写等操作。更值得关注的是，谷歌计划将其引入Chrome浏览器，未来用户可在网页文本输入框内直接通过语音输入内容，覆盖从日常聊天到向Gemini发出指令的多元场景。
开发者生态方面，Gemini 3.5 Transcribe已通过Gemini API进入预览阶段，支持实时语音流与录制音频文件两种处理模式。这意味着开发者可基于该模型开发语音助手、会议记录工具等应用，进一步拓展语音交互的应用边界。
从商业逻辑看，语音转文本正从后台基础能力升级为AI应用的核心交互入口。随着模型具备“听懂—理解—整理—执行”的全链路能力，用户与AI的交互方式有望从键盘输入向语音指令转移。对谷歌而言，将Gemini 3.5 Transcribe嵌入Chrome、Gboard、Docs等高频产品，不仅可提升用户粘性，更能在语音交互这一新兴赛道巩固其技术领先地位。
此次发布与Gemini 3.5 Live及Gemini 3.5 Live Experimental共同构成谷歌新的Gemini Audio系列，标志着其语音战略从文本、图像向实时对话、语音翻译等场景的全面延伸。尽管谷歌股价在发布当日盘中下跌1.37%，但市场普遍认为，语音交互的普及趋势将为谷歌带来长期增长空间。
