模型定位
Google 的低延迟实时语音转文字模型,面向流式转写,而非直接进行语音对话的助手。通过 Gemini Live API 和 WebSocket 接收连续音频,并增量输出文本。(aistudio.google.com)
能力与用途
- 支持临时和最终转写事件、智能转写及多种语音活动检测(VAD)策略。智能转写可处理口头修正、去除填充词并格式化文本。(aistudio.google.com)
- 支持 85 种以上语言的自动检测和会话中语言切换,以及最多 1,000 个自定义词条的词汇偏置。可用于实时字幕、语音输入和语音智能体的转写环节。(docs.cloud.google.com)
限制
- 这是音频输入、文本输出的转写模型;不应将其与生成语音的实时对话模型混淆。(docs.cloud.google.com)
- Google Cloud 文档列出的 Live 流式会话最长为 10 分钟;支持话语级时间戳,但不支持逐词时间戳或说话人分离。智能听写与格式化属于实验性功能,在 Live 流式模式下需使用手动端点检测。上述限制以具体平台文档为准。(docs.cloud.google.com)
发布日期
Gemini API 官方更新日志于 2026 年 8 月 26 日宣布该模型正式发布。不过,Google Cloud 的 Agent Platform 文档将同名正式版列为 2026 年 10 月发布;两者可能反映不同平台的发布时间,不宜视为同一日期。(aistudio.google.com)
价格
Gemini Developer API 标准档,美元(USD):付费层音频输入为 3.50 美元/百万 token,文本输出为 21.00 美元/百万 token;免费层的输入和输出标为免费。官方按每秒 25 个输入音频 token、每分钟 175 个输出文本 token 估算,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;这些分钟金额是估算值,不是独立的固定分钟计费报价。查询日期:2026 年 11 月 16 日。(aistudio.google.com)