本周 Google 上线 Gemini 3.5 Transcribe，把语音转文字（ASR，即把声音自动转成文字的技术）的词错误率（WER，每 100 个词里识别错的数量）从上一代约 7.3% 压到 2.6%。这件事值得关心，是因为语音输入正在从「能用」走向「敢用」——会议记录、客服录音、法律取证这些场景的可靠性门槛被进一步压低。
这是什么
Gemini 3.5 Transcribe 的核心能力是「上下文理解」——不只是把声音逐字翻成文字，而是能听懂语境，自动删掉「嗯」「啊」这类填充词，甚至你在说话时自我纠正（「星期二……不对，星期三」），它直接输出修正后的版本。
它支持 85 种语言自动检测，允许企业注入自定义词汇表（医疗、法律、金融术语）。Google 提供两条 API 路径：非流式处理完整音频，带说话人区分和字级时间戳；流式（实时转写）延迟低于 1 秒，但拿不到前两项能力——二者不可兼得，这是行业共性取舍。
行业怎么看
Artificial Analysis 的基准测试是这次进步的关键支撑：相比前代 Chirp 3，精度提升约七成，处理速度也快约七成。开发者社区普遍认为，纯「转录 + 摘要」的工作流，Google 自家的 NotebookLM 反而更稳定，因为有专门的音频管道。
但也有冷静的声音需要留意。第一个风险是成本：按 token 计费的模式下，长音频账单不便宜，企业接入前必须先做样本测试。第二个风险是环境依赖：多人同时说话、强背景噪音下，模型表现会下降，目前没有任何 ASR 能绕开这个物理上限。第三个取舍：说话人区分只在非流式版本提供，实时字幕类产品拿不到——这是工程上的硬约束，不是 Google 单独的问题。
对普通人的影响
对企业 IT：会议录音、客服质检、播客后期这类场景值得重新评估供应商，2.6% 的错误率意味着人工校对成本会显著下降，但要先算账再换系统。
对个人职场：开完会不用再边听录音边补笔记，AI 直接出结构化纪要；但留痕也会更彻底，说过的话更难撤回。
对消费市场：语音输入法、车载助手、智能音箱的体验会顺滑一截，但用户短期感知有限——多数人只在乎「它有没有听错我」，不关心 WER 是 2.6% 还是 5%。