Gemini 3.5 Transcribe Live เทียบกับ Gemini 3.5 Transcribe: แอปของคุณควรเรียกใช้ endpoint ใด

เมื่อ Go​ogle เปิดตัวตระกูล Ge​mini 3.5 Transcribe ในวันที่ 26 สิงหาคม 2026 มันได้ปล่อยโมเดลสองรุ่นที่ใช้ชื่อเดียวกันและมีพันธกิจเดียวกัน แต่สร้างขึ้นสำหรับขั้นตอนที่แตกต่างกันของการสนทนา: Ge​mini 3.5 Transcribe Live ซึ่งเป็นเอนด์พอยต์แบบสตรีมมิ่งที่ให้บริการผ่าน Live API และ Ge​mini 3.5 Transcribe ซึ่งเป็นเอนด์พอยต์สำหรับไฟล์ที่บันทึกไว้ล่วงหน้าที่ให้บริการผ่าน Interactions API ความผิดพลาดที่ทีมส่วนใหญ่ทำในสัปดาห์แรกคือการมองว่านี่เป็นโมเดลเดียวที่มีปุ่มสองปุ่ม แท้จริงแล้วมันคือสอง SKU — API ต่างกัน ราคาต่างกัน ฮาร์ดลิมิตต่างกัน — และการเปรียบเทียบความแม่นยำระหว่างทั้งสองไม่ใช่การต่อสู้ที่ยุติธรรม เพราะวัดกันภายใต้กติกาที่ต่างกัน บทความนี้จัดวางทั้งสองแบบไว้คู่กัน เพื่อให้การตัดสินใจขึ้นอยู่กับปริมาณงานของคุณ ไม่ใช่ขึ้นอยู่กับลีดเดอร์บอร์ด

ทั้งสองแบบในภาพรวม

• API — Ge​mini 3.5 Transcribe Live ทำงานบน Live API (WebSocket, การสตรีมแบบสองทิศทาง) ในขณะที่ Ge​mini 3.5 Transcribe ทำงานบน Interactions API (นำเข้าไฟล์, ส่งออกบทถอดความ)

• งาน — การสนทนาสด, คำบรรยาย, เอเจนต์เสียงเทียบกับการประชุม, บันทึกการโทร, เสียงที่เก็บถาวร

• ความแม่นยำ — 4.0% WER แบบสตรีมมิ่ง เทียบกับ 2.6% WER แบบไม่สตรีมมิ่ง ตามข้อมูลของ Artificial Analysis ซึ่งอ้างอิงโดย Google; วิธีการวัดที่แตกต่างกัน จึงไม่สามารถเปรียบเทียบกันได้โดยตรง

• ความหน่วง — ทรานสคริปต์สุดท้ายภายใน 0.40 วินาทีหลังเสียงพูดจบ เทียบกับการประมวลผลแบบแบตช์ของไฟล์ทั้งหมด

• Session — ขีดจำกัด 10 นาทีต่อเซสชันสด เทียบกับไฟล์ความยาวสูงสุด 60 นาที (30 นาทีเมื่อเปิดใช้การแบ่งแยกผู้พูดและการประทับเวลา)

• ผู้พูด — ไม่มีในฝั่งสตรีมมิง เทียบกับผู้พูดได้สูงสุดสามคนพร้อมไทม์สแตมป์ระดับคำในฝั่งที่บันทึกล่วงหน้า

• ราคา — ประมาณ $0.009 ต่อนาที แบบอัตราผสม เทียบกับประมาณ $0.005 ต่อนาที แบบอัตราผสม

การตัดสินใจด้านสถาปัตยกรรม: Interactions API หรือ Live API

โมเดลทั้งสองรุ่นอยู่ภายใต้ตระกูล Ge​mini Audio ของ Go​ogle และทั้งคู่อยู่ในสถานะ public preview ความแตกต่างเริ่มต้นที่การส่งข้อมูล {{1}}gemini-3-5-transcribe-live เปิด WebSocket และคงการเชื่อมต่อไว้: เสียงดิบจะถูกสตรีมเข้ามาอย่างต่อเนื่อง — รูปแบบเฟรมทั่วไปคือชิ้นส่วน PCM 16 บิตที่ความถี่ 16 kHz หรือ 24 kHz — และโมเดลจะส่งคืนบทถอดความบางส่วนในขณะที่คุณพูด จากนั้นจึงส่งบทถอดความฉบับสมบูรณ์สำหรับแต่ละคำพูดเมื่อสิ้นสุดการพูด{{/1}} {{2}}gemini-3-5-transcribe รับไฟล์ที่สมบูรณ์ ประมวลผล และส่งคืนบทถอดความฉบับสมบูรณ์พร้อมการระบุผู้พูดและไทม์สแตมป์ระดับคำ{{/2}}

การตัดสินใจเรื่องการส่งผ่านเป็นตัวกำหนดสิ่งอื่น ๆ ทั้งหมด หากผลิตภัณฑ์ของคุณแสดงคำพูดตามที่พูดออกมา — คำบรรยายสด เอเจนต์เสียงที่อ่านเจตนากลางประโยค หรือผู้ช่วยสายที่ปฏิบัติงานในขณะที่สายโทรยังดำเนินอยู่ — แสดงว่าคุณอยู่ในเส้นทางแบบ Live หากผลิตภัณฑ์ของคุณสร้างบันทึก — บันทึกการประชุม บันทึกการโทร หรือเอกสารเก็บถาวร — แสดงว่าคุณอยู่ในเส้นทางแบบ Interactions ความสับสนคือทั้งสองสร้างข้อความออกมา ความแตกต่างคือข้อความนั้นเป็นสถานะแบบเรียลไทม์หรือเป็นผลลัพธ์ขั้นสุดท้าย

ความแม่นยำ: ภาษีการสตรีมมิงมีจริง

Artificial Analysis องค์กรวัดเกณฑ์มาตรฐานอิสระซึ่ง {{1}}Go​ogle{{/1}} อ้างถึงตัวเลขในโพสต์เปิดตัว ได้วัดอัตราความผิดพลาดของคำโดยเฉลี่ยที่ 4.0% สำหรับเอนด์พอยต์แบบสตรีมมิ่ง และ 2.6% สำหรับแบบไม่สตรีมมิ่ง บนเกณฑ์มาตรฐานหลายภาษา FLEURS {{2}}Go​ogle{{/2}} รายงานผล 5.50% แบบสตรีมมิ่ง เทียบกับ 5.04% แบบไม่สตรีมมิ่ง ตัวเลข 2.6% ทำให้ {{3}}Ge​mini 3.5 Transcribe{{/3}} อยู่อันดับ #5 บนกระดานผู้นำ WER ของ AA ในการเปิดตัว ตามหลัง ElevenLabs Scribe v2 ที่ 2.2% และ MAI-Transcribe-1.5 ของ Microsoft ที่ 2.4% — ตัวเลขเหล่านี้คือการวัดของ AA ไม่ใช่การอ้างของ {{4}}Go​ogle{{/4}}

ตัวเลขสตรีมมิงไม่ใช่เวอร์ชันที่แย่กว่าของการทดสอบเดียวกัน แต่เป็นโหมดที่ต่างกัน: โมเดลเลือกคำก่อนที่จะได้ยินจบประโยค และต้องแลกด้วยต้นทุนนั้น อย่าเลือกระหว่างสองแบบนี้โดยดูแค่ความแม่นยำเพียงอย่างเดียว เพราะในแต่ละเวิร์กโหลด ช่องว่างของค่าอาจพลิกกลับได้ ให้เลือกจากข้อจำกัด: เอนด์พอยต์สตรีมมิงมีเพดานเซสชัน 10 นาที ไม่มีการแยกผู้พูด และไม่มีไทม์สแตมป์ ส่วนเอนด์พอยต์แบบพรีเรคอร์ดรองรับไฟล์ยาวเป็นชั่วโมง ระบุผู้พูดได้สูงสุดสามคน และคืนค่าไทม์สแตมป์ระดับคำ หากแอปของคุณต้องการป้ายระบุผู้พูด โมเดลสตรีมมิงก็ไม่สามารถทำงานนั้นได้ ไม่ว่า WER จะเป็นเท่าใดก็ตาม

สิ่งที่พวกเขามีร่วมกัน

จุดปลายทั้งสองใช้เอนจิน "intelligent transcription" ร่วมกัน และในคุณสมบัติที่ใช้ร่วมกัน ตัวเลือกระหว่างทั้งสองนั้นเป็นกลาง:

85+ ภาษาพร้อมการตรวจจับอัตโนมัติ รวมถึงการสลับภาษากลางสตรีมบนเส้นทาง Live

• การทำความสะอาดความไม่คล่องแคล่ว — ตัดคำฟิลเลอร์ แก้ไขการแก้ไขตนเอง ("วันอังคาร — ไม่ใช่ วันพุธ" กลายเป็นวันที่ถูกต้อง)

• การจัดรูปแบบอัตโนมัติ — เครื่องหมายวรรคตอน ตัวพิมพ์ใหญ่-เล็ก และโครงสร้างย่อหน้าที่ใช้กับผลลัพธ์

• คำศัพท์แบบกำหนดเอง — มากถึง 1,000 คำสำหรับศัพท์เฉพาะและชื่อผลิตภัณฑ์ โดยเอกสารของ Google แนะนำให้ใช้ประมาณ 100 คำเพื่อผลลัพธ์ที่ดีที่สุด

ข้อควรระวังหนึ่งข้อที่ใช้กับทั้งสองกรณี: การทำความสะอาดแบบ "อัจฉริยะ" ที่ทำให้ผลลัพธ์อ่านง่ายนั้นเป็นการตัดสินใจเชิงออกแบบที่ต้องแลกกับความเที่ยงตรงแบบคำต่อคำ ถ้อยคำที่เก้งก้างจะถูกทำให้ลื่นไหลขึ้น ข้อความที่ได้คือการอ่านเจตนาของโมเดล ไม่ใช่บันทึกคำให้การในศาล สำหรับการถอดความที่เที่ยงตรง คุณจะต้องเลือกใช้ตัวเลือกแบบถอดคำต่อคำในจุดที่มีให้ และไม่ว่าจะกรณีใด คุณควรตรวจสอบพฤติกรรมกับไฟล์เสียงของคุณเอง

ค่าใช้จ่ายต่อนาที: ค่าพรีเมียมสด

Go​ogle กำหนดราคาเสียงเป็นโทเค็นที่ 25 โทเค็นเสียงต่อวินาที โดยผลลัพธ์อยู่ที่ประมาณ 175 โทเค็นข้อความต่อนาทีของบทถอดความ ตามราคารายการ ต้นทุนรวมต่อนาทีของเสียงอยู่ที่ประมาณ $0.005 สำหรับ gemini-3-5-transcribe และประมาณ $0.009 สำหรับ gemini-3-5-transcribe-live — อินพุตที่ $2 เทียบกับ $3.50 ต่อล้านโทเค็น เอาต์พุตที่ $12 เทียบกับ $21 ต่อล้านโทเค็น ทั้งสองมีสิทธิ์ใช้งานฟรีในวันนี้

ค่าพรีเมียมซื้อเส้นทางแบบเรียลไทม์ ไม่ใช่ความแม่นยำที่มากขึ้น: คุณจ่ายเพิ่มประมาณ 80% ต่อนาทีสำหรับเอนด์พอยต์สตรีมมิ่ง และมันถอดเสียงด้วยค่า WER ที่สูงกว่า นั่นคือกรอบที่ตรงไปตรงมา โมเดลแบบไฟล์อัดเสียงล่วงหน้าทั้งถูกกว่าและแม่นยำกว่า โมเดลสตรีมมิ่งมีอยู่เพราะผลิตภัณฑ์บางอย่างไม่สามารถรอให้ไฟล์ถอดเสียงเสร็จได้

คุณควรสร้างบน endpoint ใด

• คำบรรยายสดและคำบรรยาย — Ge​mini 3.5 Transcribe Live และตรวจสอบขีดจำกัดแบบไม่มีไทม์สแตมป์ หากคุณต้องการผลลัพธ์ที่ตรงตามเวลา

• เอเจนต์เสียง — Ge​mini 3.5 Transcribe Live สำหรับตรวจจับเจตนากลางประโยค; วางแผนรอบขีดจำกัด 10 นาทีสำหรับเซสชันที่ยาวนาน

• การประชุม สัมภาษณ์ เอกสารสำคัญ — Ge​mini 3.5 Transcribe สำหรับ WER 2.6% การระบุผู้พูด และการประทับเวลาในระดับคำ

• การวิเคราะห์หลังการโทร — Ge​mini 3.5 Transcribe สำหรับบันทึกที่เสร็จสมบูรณ์; Ge​mini 3.5 Transcribe Live เฉพาะเมื่อการวิเคราะห์ต้องดำเนินการระหว่างการโทร

• เสียงต่อเนื่องระยะยาว — Gemini 3.5 Transcribe เพราะไฟล์ความยาว 60 นาที ดีกว่าการมานั่งต่อคลิปสด 10 นาทีด้วยมือ

ชั้นที่อยู่เหนือทรานสคริปต์

ทั้งสองโมเดลไม่ได้ถูกโฮสต์โดย OrcaRouter — เราไม่ได้จัดเส้นทาง speech-to-text ในปัจจุบัน และคุณจะเรียกใช้ API ของ Google โดยตรงสำหรับ endpoint ทั้งสองตัว สิ่งที่เลเยอร์การจัดเส้นทางทำสำหรับไปป์ไลน์เสียงคือการวางตัวเหนือ transcript: ตัวสรุป, ตัวแยกเอนทิตี, โมเดลรายการการดำเนินการที่เปลี่ยนสตรีมให้เป็นการตัดสินใจ เลเยอร์นั้นคือจุดที่ OrcaRouter สร้างคุณค่า — API เดียวที่ครอบคลุมโมเดลมากกว่า 200 รายการในราคา list price ของผู้ให้บริการโดยไม่มีมาร์กอัป, การ failover อัตโนมัติข้ามผู้ให้บริการ, และ routing DSL ที่ประกอบโมเดลหลายตัวเข้าด้วยกันในการเรียกใช้ครั้งเดียว เลือก endpoint การถอดเสียงตามปริมาณงาน แล้วจึงรันโมเดลที่อ่าน transcript ภายใต้คีย์เดียว

บรรทัดล่าง

Ge​mini 3.5 Transcribe Live และ Ge​mini 3.5 Transcribe เป็นผลิตภัณฑ์ในตระกูลเดียวกันแต่ต่างกัน เลือก Live เมื่อต้องการให้บทถอดความพร้อมก่อนการสนทนาจะจบลง และพอรับได้กับเซสชัน 10 นาทีที่ไม่มีป้ายชื่อผู้พูดและไม่มีการประทับเวลา เลือก Transcribe เมื่อผลลัพธ์เป็นบันทึก และความถูกต้องและการระบุผู้พูดสำคัญกว่าความเร็ว — มันถูกกว่า แม่นยำกว่า และมีข้อจำกัดน้อยกว่ามาก คำตอบที่ผิดเพียงอย่างเดียวคือการสมมติว่าเอนด์พอยต์เดียวทำได้ทั้งสองอย่าง