Google给Gemini 3.5系列添了两个新模型：面向文件转录的gemini-3.5-transcribe，和面向实时流的gemini-3.5-transcribe-live。最直观的卖点是自动删除“嗯”“啊”之类的口头禅——这也是它被报道时最先被注意到的一点。但真正值得琢磨的，不是它删掉了什么，而是它删的时候，凭什么保证没有顺手改掉别的东西。
这两个模型是今年5月发布的Gemini 3.5家族的延伸，官方文档更新到8月26日。转录能力被拆成两种模式：Verbatim（逐字）默认保留所有停顿和填充词，Smart（智能）负责清理口吃、重复、自我更正，还会自动加标点、格式化数字和货币。前者面向需要原始记录的场景，后者面向想要一份能直接拿去用的稿子。
两种模式，两种用途
问题在于，Smart模式目前不能和说话人分离（diarization）、词级时间戳同时打开。Google自己的文档承认，一旦开启词级时间戳，整体转录准确率会下降。这意味着如果你既想要“谁在什么时候说了什么”，又想要“说得干净漂亮”，Gemini现在给不了。
价格上，gemini-3.5-transcribe按音频输入和文本输出分别计费，混合成本约每分钟0.005美元；实时版transcribe-live混合成本约每分钟0.009美元。免费层的内容可能被用来改进产品，付费层官方声明不用于训练——但“零数据保留”并不是默认打开的，开发者得自己设置store:false，Live API的会话状态还可能保留最长24小时。这对企业客户是笔容易被忽略的合规细节。
支持语言超过85种，能在对话里自动切换语种，覆盖美式、英式、印度英语和巴西、欧洲葡语这类区域变体。硬性限制也不少：文件转录单次最长1小时，一旦开启分离或时间戳就压缩到30分钟；实时会话上限10分钟；说话人分离最多支持8人，超过3人还是实验性功能；自定义词表最多1000条，官方建议控制在100条左右效果最好。
转录引擎不是剪辑软件
Gemini 3.5 Transcribe解决的是文本层面的问题：把语音变成一份读起来顺的稿子。它不动音频本身。如果你要的是从视频源文件里真的把“嗯啊”剪掉、让画面和口型对上，这不是转录模型的活，是像Descript这类剪辑工具在做的事——Descript今年2月的更新还专门宣称填充词去除性能提升了43%，走的是从音视频源头物理剪除的路线。
两者不在同一层竞争。Gemini在API和开发者生态里铺得更广，Descript在内容创作者的剪辑工作流里扎得更深。Google已经把类似的清理能力做成macOS版Gemini App里的“智能听写”消费功能，7月29日上线，目前只支持英语。这更像是把企业级API能力下放到普通用户手机和电脑上，而不是要正面抢播客剪辑师的饭碗。
没人公布的那个数字
Google的官方博客反复强调多语言、口音、噪音场景下的表现进步，但翻遍文档找不到一个具体的词错误率（WER）或准确率百分比。没有独立评测，也没有官方基准数据可供引用。
早期使用者的反馈里能看出一点端倪。Reddit上有用户对静音时刻会不会“凭空生成”内容表示担心——比如凭空冒出一串电话号码——并且希望有人拿它和ElevenLabs Scribe这类产品做独立对比，而不是只看Google自家演示。更早之前，Hacker News上有人用通用版Gemini 3处理一段90分钟播客，报告出现了虚构引语、错误时间戳，以及大量没有标注的转述改写。这测的是旧版通用模型，不是这次新发布的转录端点，不能直接当成对新模型的判决。但它提示了一个方向：清理填充词和生成式幻觉，在同一套模型里可能只隔一层。
- 风险.Smart模式在“让文本更好读”的同时，缺少可核对的准确率数据，用户很难判断它是否顺手改写了原意。
好读的转录稿，不等于可信的转录稿。
这条界线对不同人的意义完全不一样。记者、律师、学术研究者需要的是逐字记录，一旦Smart模式被误用在这些场景里，被清理掉的可能不只是语气词，还有陈述里的犹豫和自我修正——而这些恰恰有时候才是重点。会议纪要、播客文案的使用者反而乐见其成，他们要的本来就是一份顺手能用的稿子，不在乎多几个字被吞掉。
Gemini 3.5 Transcribe目前已经在macOS版Gemini应用和Android的Rambler听写功能里向部分地区推送，开发者可以通过AI Studio和Antigravity拿到公测权限，Chrome端支持还在路上。接下来真正值得盯的，不是它删了多少“嗯啊”，而是有没有人拿出独立的准确率评测，以及Smart模式在长音频、多口音场景下的幻觉率到底有多高。在这两个问题有答案之前，法律、新闻这类要求逐字记录的场景，最好还是老老实实用Verbatim模式，再回去核对一遍原始音频。