Gemini 3.5 Transcribe Live 与 Gemini 3.5 Transcribe 对比：您的应用应调用哪个端点

2026年8月26日，Go​ogle发布Ge​mini 3.5 Transcribe系列时，推出了两个共享名称与使命但为对话不同阶段构建的模型：通过Live API提供的流式端点Ge​mini 3.5 Transcribe Live，以及通过Interactions API提供的预录制端点Ge​mini 3.5 Transcribe。大多数团队在第一周犯的错误，就是把它当作同一个模型的两个按钮。这是两个SKU——不同的API、不同的价格、不同的硬性限制——它们之间的准确性对比并不公平，因为衡量规则本身不同。本文将两者并列对比，让你的决策取决于工作负载，而非排行榜。

两者一览

• API — Ge​mini 3.5 Transcribe Live 基于 Live API（WebSocket，双向流式传输）运行，而 Ge​mini 3.5 Transcribe 基于 Interactions API（文件输入，转录文本输出）运行。

• 任务 — 实时对话、字幕生成、语音代理与会议、通话记录、存档音频。

• 准确度 — 流式 WER 为 4.0%，非流式 WER 为 2.6%，数据来自 Artificial Analysis，由 Go​ogle 引用；测量机制不同，不可直接比较。

• 延迟 — 语音结束后 0.40 秒即可获得最终转录文本，相对于完整文件的批处理。

• 会话 — 每次实时会话上限为10分钟，而文件最长可达60分钟（启用说话人分离和时间戳时为30分钟）。

• 说话人 — 流式端无；预录制端最多支持三个说话人，并带有词级时间戳。

• 价格 — 综合费率约为每分钟0.009美元，对比综合费率约为每分钟0.005美元。

架构决策：Interactions API 或 Live API

这两款模型都属于Google的Gemini Audio系列，目前均处于公开预览阶段。两者的差异始于传输方式。gemini-3-5-transcribe-live会打开一个WebSocket并保持连接：原始音频持续流入——常见的帧格式为16 kHz或24 kHz的16位PCM数据块——模型会在您说话时返回部分转写结果，并在语音结束后为每段话语返回最终转写。gemini-3-5-transcribe则接收完整文件，处理后返回包含说话人归属和词级时间戳的最终转写结果。

传输决策决定其他一切。如果你的产品在说话的同时渲染文字——实时字幕、在句子中间读取意图的语音代理、在通话进行中采取行动的通话助手——你就处于实时路径。如果你的产品生成记录——会议纪要、通话日志、存档——你就处于交互路径。令人困惑的是，两者都会生成文本；区别在于文本是实时状态还是最终产物。

准确性：流式处理的代价确实存在

Artificial Analysis，这家独立基准测试机构，其数据被 Go​ogle 在其发布帖子中引用，测得流式端点的平均词错误率为 4.0%，非流式端点为 2.6%。在 FLEURS 多语言基准测试中，Go​ogle 报告流式错误率为 5.50%，非流式为 5.04%。2.6% 的数字使 Ge​mini 3.5 Transcribe 在发布时位居 AA 的 WER 排行榜第 5 位，仅次于 ElevenLabs Scribe v2（2.2%）和 Microsoft 的 MAI-Transcribe-1.5（2.4%）——这些是 AA 的测量结果，而非 Go​ogle 的说法。

流式识别的数字并不是同一测试的更差版本。这是一种不同的模式：模型在听到句子结尾之前就已对词语做出承诺，并为此付出代价。不要仅凭准确率在两者之间做选择，因为在任何给定的工作负载下，差距都可能反转。要根据约束条件来选择：流式端点有10分钟的会话时长上限，不支持说话人分离，也没有时间戳；预录端点则可处理长达一小时的音频文件，支持识别多达三位说话人，并返回词级时间戳。如果你的应用需要说话人标签，流式模型根本无法胜任这项工作，无论其WER如何。

它们的共同点

两个端点共享“intelligent transcription”引擎，在共享功能上，它们之间的选择是中性的：

• 支持自动检测的 85+ 种语言，包括直播路径中的中途语言切换。

• 不流利清理 — 删除填充词，解决自我纠正（"Tuesday — no, Wednesday" 最终输出为更正后的Wednesday）。

• 自动格式化 — 将标点、大小写和段落结构应用于输出。

• 自定义词汇表 — 最多 1,000 个术语，用于行话和产品名称，Google 的文档建议约 100 个以获得最佳效果。

对两者都适用的一点提醒：所谓“智能”清理功能虽然让输出变得易读，但这是一种以牺牲逐字保真度为代价的设计决策。别扭的措辞会被打磨流畅；最终文本是模型对意图的解读，而非法庭记录式的逐字稿。若需要精确的转录，在提供逐字选项的地方应选用该选项；并且无论选择哪种方式，都应当用自己的音频来验证实际效果。

每分钟费用：直播溢价

Google 以 token 为单位对音频计价，音频 token 为每秒 25 个，输出约为每分钟转录文本 175 个文本 token。按标价计算，gemini-3-5-transcribe 每分钟音频的混合成本约为 0.005 美元，gemini-3-5-transcribe-live 约为 0.009 美元——输入分别为每百万 token 2 美元和 3.50 美元，输出分别为每百万 token 12 美元和 21 美元。两者目前都有免费额度。

高级版购买的是实时路径，而非更高的准确性：你为流式端点每分钟大约多支付80%，而它的转录词错误率（WER）更高。这就是诚实的定位。预录制模型既更便宜又更准确；流式模型之所以存在，是因为有些产品无法等待文件处理完毕。

您应该基于哪个端点进行构建？

• 实时字幕和副标题 — Ge​mini 3.5 Transcribe Live，如果您需要时间对齐的输出，请查看无时间戳限制。

• 语音代理 — {{2}}Ge​mini 3.5 Transcribe Live{{/2}} 用于在句子中途识别意图；长时间会话需围绕 10 分钟上限进行规划。

• 会议、访谈、存档——Ge​mini 3.5 Transcribe，提供2.6%的词错误率（WER）、说话人识别和词级时间戳。

• 通话后分析 — 对于已完成的记录使用 Ge​mini 3.5 Transcribe；仅当分析必须在通话期间运行时才使用 Ge​mini 3.5 Transcribe Live。

• 长时间连续音频 — Ge​mini 3.5 Transcribe，因为一个 60 分钟的文件胜过手动拼接十个 10 分钟的实时会话。

字幕上方的图层

这两种模型都不是 OrcaRouter 托管的——我们目前不提供语音转文本路由，无论选择哪个端点，你都将直接调用 Google 的 API。路由层在语音管道中的位置是位于转录文本之上：摘要器、实体提取器、以及将流转为决策的行动项模型。OrcaRouter 的价值正体现在这一层——通过一个 API 访问 200 多个模型，按供应商列表价收费，无加价，跨供应商自动故障转移，以及一个可将多个模型组合成一次调用的路由 DSL。按工作负载选择转录端点，然后在同一个密钥后面运行读取转录文本的模型。

底线

Ge​mini 3.5 Transcribe Live 和 Ge​mini 3.5 Transcribe 属于同一系列，但却是不同的产品。当转录文本必须在对话结束前生成，并且你能接受 10 分钟的会话、没有说话人标签、也没有时间戳时，请选择 Live。当输出需要作为记录存档，且准确性和归属判定比速度更重要时，请选择 Transcribe——它更便宜、更准确，而且限制少得多。唯一错误的做法是认为一个接口能同时实现两种功能。