Gemini 3.5 Transcribe面向音频文件和实时转写，可自动识别八十五种以上语言，并提供说话人区分、词级时间戳与智能格式化。文件请求最长一小时，但开启说话人或词级时间戳后通常限制在三十分钟。会议系统要先选择最需要的能力，因为部分参数彼此不兼容，不能一次打开所有功能。
一、会议纪要先明确产物
逐字稿、带时间字幕和行动项纪要是三种不同产物。逐字稿强调忠实，字幕需要精确时间，行动项则需要语义整理。建议先保存原始转写，再由第二步生成摘要，避免模型在转写阶段就删掉关键语气或合并发言。
二、说话人区分的真实限制
文件模式最多支持八位说话人，但三人以上的归属仍具有实验性。系统输出的spk编号只是聚类，不会自动知道姓名。会议开始可让每人依次自我介绍，后续由编辑映射身份。出现重叠发言和远距离拾音时，必须回听确认。
三、词级时间戳怎样落地
时间戳适合字幕跳转、关键片段定位和音频检索，但可能略微降低整体识别准确率。启用后要检查起止时间是否单调、是否越过音频长度，以及标点与词语如何对齐。字幕通常还需按阅读速度重新分句，不能把每个词机械显示在屏幕上。
四、长会议按议程切分
超过三十分钟且需要区分说话人时，按议程或自然休息点切分。每段保存原始偏移量，合并时加回全局时间。片段之间保留少量重叠，利用文字相似度去重。切分记录应可追踪到原文件，方便审计和重新处理。
五、中英文混说的处理
模型支持会话中语言切换，但已知主要语言时仍可提供语言提示提高稳定性。技术会议常出现英文产品名和中文句子，抽样检查缩写、版本号和代码词汇。若专有名词错误严重，需要在不启用说话人和时间戳的另一轮使用自定义词表，不能强行组合不兼容参数。
六、智能模式与逐字模式
智能转写会去除部分填充词并按意图格式化数字，适合可读纪要；逐字模式适合研究、质检和法律记录。正式产品应让用户知道使用了哪种模式，并保留原音。经过智能整理的文字不能用引号当作逐字引用，避免改变说话人原意。
七、隐私与访问控制
会议录音可能包含客户资料、商业计划和员工评价。上传前确认参会者知情，文件加密存储，转写结果按会议权限继承。分享摘要时检查是否泄露未参会部门信息。设定自动删除期限，并记录下载和外链行为。
八、从录音到行动项
上传清晰音频后分段转写，映射说话人并校对高风险字段，再根据经过确认的逐字稿生成主题、决定、负责人和截止时间。行动项应回链到原始时间点，负责人确认后才进入任务系统。这样AI提高整理速度，却不会凭错误转写自动派发任务。
