谷歌八月 AI 发布回顾：Gemini 3.7 Flash、语音转写与 Pixel 11 共同推进“主动式”AI
谷歌在 2026 年 8 月推出 Gemini 3.7 Flash、Gemini 3.5 Transcribe 与 Pixel 11 系列，将模型能力通过 API 与设备端结合，推动从“会答问题”到“主动完成工作流”的转变，同时多项功能仍处于预览或分批推送阶段，实际价值需在真实环境中验证。
谷歌在 2026 年 8 月推出 Gemini 3.7 Flash、Gemini 3.5 Transcribe 与 Pixel 11 系列，将模型能力通过 API 与设备端结合，推动从“会答问题”到“主动完成工作流”的转变，同时多项功能仍处于预览或分批推送阶段，实际价值需在真实环境中验证。
谷歌在 2026 年 8 月的 AI 动作，呈现出一条相当清晰的产品路线：一端是面向开发者和企业的模型与接口，另一端是搭载这些能力的手机、手表和日常应用。公司先后推出 Gemini 3.7 Flash 和 Gemini 3.5 Transcribe，并在 Pixel 11 系列中把 Gemini Intelligence 更深地嵌入相机、翻译、语音输入和跨应用操作。
这意味着，谷歌正在把 AI 竞争从“模型能回答什么”推向“模型能否在具体工作流中持续完成什么”。但从公开信息看，许多功能仍处于公开预览、分批推送或地区限定阶段，实际价值还需要在真实使用环境中验证。
从 Gemini 3.7 Flash 开始，谷歌押注高频 Agent 工作流
8 月 13 日，谷歌发布 Gemini 3.7 Flash，将其定位为面向编码、知识工作和 Agent 工作流的“高性价比”模型。官方称，新模型在软件工程、网页开发和业务自动化方面较三周前推出的 Gemini 3.6 Flash 有明显提升。
谷歌公布的对比数据包括：
| 测试项目 | Gemini 3.7 Flash | Gemini 3.6 Flash |
|---|---|---|
| FrontierCode 1.1 Main | 43.6% | 34.4% |
| DeepSWE v1.1 | 65.3% | 49.0% |
| WebDev Arena Elo | 1588 | 1538 |
| GDP.pdf | 34.0% | 22.0% |
| AutomationBench | 30.4% | 17.0% |
这些数字来自谷歌的官方披露，不能直接视为独立评测结论。不同基准的提示方式、工具权限和评分方法，都可能影响结果。对生产环境而言，模型能否理解现有代码库、稳定调用工具、处理失败并减少人工复核，往往比单一基准分数更重要。AIFlux此前对 Gemini 3.7 Flash 低价押注编码与 Agent 工作流 的报道，也指出了验证成本与权限控制的重要性。
Gemini 3.7 Flash 的介绍价为每百万输入 token 0.75 美元、每百万输出 token 3.75 美元，适用至 2026 年 12 月 31 日。模型可通过 Gemini API、Google AI Studio、Android Studio、Gemini Enterprise Agent Platform 和 Gemini Enterprise 使用，也被用于面向订阅用户的 Gemini Spark。
谷歌同时表示，3.7 Flash 更新了针对网络攻击以及化学、生物、放射性和核风险的安全防护。不过，模型安全措施并不能替代部署层面的权限隔离、审计、人工确认和回滚机制。
Gemini 3.5 Transcribe：语音识别开始承担“理解”和“执行”
8 月 26 日，谷歌推出 Gemini 3.5 Transcribe。它并非只把语音转换成文字，而是试图处理口语中的自我纠正、填充词、专业术语和格式化需求，输出更接近可直接使用的文本。
该模型被拆分为两条 API 路径：
- 实时流式转写：通过 Live API 使用
gemini-3.5-transcribe-live，面向实时语音代理和交互式字幕，强调连续双向传输和低延迟。 - 预录音频处理：通过 Interactions API 使用
gemini-3.5-transcribe，面向会议录音、客服通话和其他音频文件，可提供说话人归属与逐词时间戳。
谷歌引用 Artificial Analysis 的测量结果称，模型在流式场景的平均词错误率为 4.0%，非流式场景为 2.6%，最终转写时间较此前的 Chirp 3 缩短 70%。在 FLEURS 多语言测试中，流式和非流式 WER 分别为 5.50% 和 5.04%。模型可自动识别并转写 85 种以上语言。
这些数据需要结合测试条件理解。实时音频与预录音频并非同一任务，WER 也不能完整反映背景噪声、多人重叠、口音、数字和专有名词对实际部署的影响。相关功能目前主要面向开发者和企业公开预览，普通用户则通过 macOS 版 Gemini、Android 上部分地区开放的 Rambler 等产品功能接触到它。AIFlux对 Gemini 3.5 Transcribe 的发布 的梳理显示，转写、理解和后续执行仍是可以分别控制的不同环节。
Pixel 11 把模型能力带到设备端
谷歌在 8 月 12 日的 Made by Google 活动中发布 Pixel 11、Pixel 11 Pro 和 Pixel 11 Pro XL，并以 Tensor G6 芯片和 Gemini Intelligence 作为产品主线。Pixel 11 起售价为 899 美元，Pixel 11 Pro 和 Pro XL 分别为 1099 美元和 1299 美元；三款手机于 8 月 20 日上市。
新设备的 AI 功能包括：
- Rambler：在 Gboard 中把自然口语整理成更简洁、格式更完整的文字，并支持通过语音修正内容。
- 跨应用主动建议：根据对话、行程和其他上下文，提示用户把信息保存到日历、地图或 Wallet，或推进预订等操作。
- Magic Capture：结合端侧智能和 Gemini 模型分析约 400 个画面，自动捕捉瞬间并生成 1200 万像素照片，同时提供裁剪和去模糊等处理。
- Creator Suite：提供提词器、社交媒体构图辅助、项目文件夹和 Storyboard 等视频创作工具。
- 实时翻译与 Circle to Search：在相机和媒体播放等场景中，提供识别、翻译和信息检索功能。
谷歌称，Tensor G6 配备更多 TPU 计算能力，端侧 AI 任务处理速度最高可达上一代的 3.5 倍，同时能耗最高降低至原来的约三分之一。Pixel 11 的主要差异因此不只在摄像头和屏幕规格，也在于更多 AI 任务是否能在设备本地完成。
AIFlux此前在 Pixel 11 手机与 Pixel Watch 5 正式开售 的报道中提到，主动式 AI 能否成为购买理由，取决于功能稳定性、数据授权意愿，以及有多少能力会下放到旧设备。
谷歌的共同主线：从聊天界面走向操作层
把这三项更新放在一起看，谷歌的策略并不是孤立地发布一个更强模型或一部新手机，而是试图建立一条从基础模型到产品入口的完整链路：Gemini 3.7 Flash 负责代码和多步任务，Gemini 3.5 Transcribe 负责把自然语音转化为结构化输入，Pixel 11 则把这些能力放进用户随时携带的设备。
这种路线的优势在于，模型能力可以通过 API、应用和硬件反复分发；风险则在于，主动式功能必须处理更多个人数据和现实世界操作。日历、邮件、位置、健康信息和跨应用权限，都会让“方便”与“可控”之间的边界变得更具体。
谷歌在 8 月的发布中展示了不少从语音输入到文件整理、从相机识别到预订建议的应用场景，但公开资料也表明，部分功能仍为预览、实验性或分地区推出。对开发者和消费者而言，接下来更值得观察的不是谷歌还能增加多少演示功能，而是这些系统能否在真实噪声、复杂权限和失败场景中保持稳定，并让用户清楚知道 AI 正在读取什么、决定什么，以及何时需要人来确认。
主要来源
不错过任何一条 AI 大事
订阅 AIFlux 早报，每天 3 分钟看懂产业动态。
