模型定位
Google 的語音轉文字模型,以音訊理解能力處理預先錄製的音訊,輸出逐字稿與詞級標註。gemini-3.5-transcribe 用於非串流音訊檔案;即時串流則使用不同的模型 ID gemini-3.5-transcribe-live。(aistudio.google.com)
能力與用途
- 自動偵測並轉錄超過 85 種語言,可處理同一段音訊中的語言切換。
- 智慧轉錄可處理口語自我修正、移除贅詞並格式化文字;也支援自訂詞彙、說話者區分及詞級時間戳。
- 適合會議錄音、通話紀錄、通話後分析及其他錄音轉錄工作。Google 公告引用 Artificial Analysis 的測量,非串流情境平均詞錯誤率為 2.6%;實際效果會因音訊與使用情境而異。(blog.google)
限制
- Gemini API 文件列出的單次音訊上限為 1 小時;啟用說話者區分或詞級時間戳時為 30 分鐘。Google Cloud Agent Platform 文件列出的音訊檔案上限為 15 分鐘,平台限制不同。(aistudio.google.com)
- 詞級時間戳可能降低轉錄準確度;自訂詞彙與說話者區分或詞級時間戳不能同時使用。自訂詞彙最多 1,000 個詞;說話者區分最多 8 人,3 人以上屬實驗性功能。(aistudio.google.com)
- Gemini API 模型文件列明不支援函式呼叫、圖片生成、脈絡快取及 Batch API。公告中 macOS Gemini 應用程式的跨模型功能呼叫,不應視為此模型 API 本身支援函式呼叫。(aistudio.google.com)
價格
以下為 Gemini Developer API 的標準方案,適用於 gemini-3.5-transcribe,不是 Live 版本或 Google Cloud Agent Platform 的報價;查詢日期:2026-11-16。(aistudio.google.com)
- 免費層:音訊輸入與文字輸出均免費;適用額度與限制依官方規定。
- 付費層:音訊輸入每 100 萬 token USD 2.00;文字輸出每 100 萬 token USD 12.00。
- 官方另列估算:輸入約 USD 0.003/分鐘、輸出約 USD 0.002/分鐘,合計約 USD 0.005/分鐘;估算假設輸入每秒 25 個音訊 token、輸出每分鐘 175 個文字 token,並非固定的每分鐘實際費用。(aistudio.google.com)
發布日期與官方來源
- 2026-08-26:Google 公告介紹此模型,當時提供公開預覽。Google Cloud 文件另列正式版於 2026 年 10 月發布,未列具體日期。(blog.google)
- Google 官方公告
- Gemini API 模型文件
- Gemini Developer API 官方定價
- Google Cloud Agent Platform 模型文件