模型定位
Google 的语音转文字模型,面向多语言音频转写和智能语音交互。gemini-3.5-transcribe 用于预录音频处理;实时流式转写使用独立模型 ID gemini-3.5-transcribe-live。(aistudio.google.com)
能力与用途
- 自动检测并转写 85 种以上语言,支持对话中的语言切换,包括普通话简体中文。
- 支持智能转写,可处理自我纠正、去除语气词并格式化文本;支持自定义词汇以适应专业术语。
- 预录音频可使用说话人区分和词级时间戳,适用于会议记录、通话记录和通话后分析;独立的 Live 模型适用于语音代理和实时字幕。
- Google 引用 Artificial Analysis 的测试结果称,平均词错误率为非流式 2.6%、流式 4.0%;这些是特定测试结果,并非所有场景的准确率保证。(aistudio.google.com)
限制
- Gemini Developer API 文档称,预录音频单次请求最长 1 小时;启用说话人区分或词级时间戳时最长 30 分钟。自定义词汇最多 1,000 项,且不能与说话人区分或词级时间戳同时使用;词级时间戳可能降低转写准确率。
- 预录音频最多支持区分 8 名说话人,其中 3 人及以上的归属是实验性功能。Live 模型不支持说话人区分或词级时间戳,每次会话最长 10 分钟。
- Gemini Developer API 的该模型文档列明不支持函数调用、代码执行、上下文缓存和 Batch API。公告提及的函数调用是 Gemini macOS 应用中的产品功能,不应视为该模型 API 本身支持函数调用。
- 不同平台限制可能不同:Gemini Enterprise Agent Platform 文档列出的预录音频上限为 15 分钟。(aistudio.google.com)
价格
以下为 Gemini Developer API 的标准价格,币种为美元(USD),查询日期为 2026-11-16;不应直接视为其他平台的报价。(aistudio.google.com)
- 预录音频模型
gemini-3.5-transcribe:免费层级的输入和输出免费;付费层级音频输入为 2.00 美元/百万 token,文本输出为 12.00 美元/百万 token。官方按输入每秒 25 个音频 token、输出每分钟 175 个文本 token 估算,输入约 0.003 美元/分钟、输出约 0.002 美元/分钟,合计约 0.005 美元/分钟;分钟价格是估算值。 - 独立实时模型
gemini-3.5-transcribe-live:免费层级的输入和输出免费;付费层级音频输入为 3.50 美元/百万 token,文本输出为 21.00 美元/百万 token。在相同 token 使用量假设下,输入约 0.005 美元/分钟、输出约 0.004 美元/分钟,合计约 0.009 美元/分钟;分钟价格是估算值。
发布与官方来源
- 公告日期:2026-08-26。 公告当时称开发者和企业平台提供公开预览;Google Cloud 文档另列
gemini-3.5-transcribe正式版发布日期为 2026 年 10 月,未注明具体日。(blog.google) - Google 官方公告
- Gemini Developer API 模型文档
- Gemini Developer API 官方定价
- Gemini Enterprise Agent Platform 模型文档