Gemini 3.5 Transcribe Live 與 Gemini 3.5 Transcribe：您的應用程式應該呼叫哪個端點

當 Go​ogle 在 2026 年 8 月 26 日推出 Ge​mini 3.5 Transcribe 系列時，它提供了兩個共享名稱與使命、但為對話不同階段而建的模型：Ge​mini 3.5 Transcribe Live，即透過 Live API 提供的串流端點；以及 Ge​mini 3.5 Transcribe，即透過 Interactions API 提供的預錄端點。大多數團隊在第一週犯下的錯誤，是把它當作一個有兩個按鈕的模型。其實它是兩個 SKU——不同的 API、不同的價格、不同的嚴格限制——而且兩者之間的準確度比較並非公平對決，因為它們是在不同規則下衡量的。本文將兩者並列，讓決策取決於你的工作負載，而不是排行榜。

兩者一覽

• API — Ge​mini 3.5 Transcribe Live 運行於 Live API（WebSocket、雙向串流），而 Ge​mini 3.5 Transcribe 則運行於 Interactions API（檔案輸入、轉錄輸出）。

• 工作 — 即時對話、字幕、語音代理 vs 會議、通話記錄、存檔音訊。

{{1}}準確度 — 串流模式 WER 4.0% 對比非串流模式 WER 2.6%，依據 Artificial Analysis 的數據，由 Google 引用；兩者採用不同的測量機制，無法直接比較。{{/1}}

• 延遲 — 語音結束後 0.40 秒即可產生最終轉錄稿，而非對完整檔案進行批次處理。

• 工作階段 — 每次即時工作階段的上限為 10 分鐘，相對於最長 60 分鐘的檔案（若啟用說話者分離與時間戳記，則為 30 分鐘）。

• 說話者 — 串流端沒有，預錄端則最多三名說話者，且具備逐字時間戳記。

• 價格 — 混合費率約每分鐘 $0.009，對比混合費率約每分鐘 $0.005。

架構決策：Interactions API 或 Live API

這兩個模型都屬於 Go​ogle 的 Ge​mini Audio 家族，且目前皆處於公開預覽階段。差異從傳輸層開始。gemini-3-5-transcribe-live 會開啟一個 WebSocket 並保持連線：原始音訊持續流入——常見的封裝格式是 16 kHz 或 24 kHz 的 16-bit PCM 區塊——而模型會在你說話時回傳部分轉錄，並在語音結束時為每個話語回傳最終轉錄。gemini-3-5-transcribe 則接收完整檔案，進行處理，然後回傳包含說話者標記和字詞級時間戳記的已完成轉錄。

傳輸方式的決定牽動其他一切。如果你的產品會以詞語被說出的當下即時呈現文字——例如即時字幕、在句子進行中讀取意圖的語音代理、在通話進行當中採取行動的通話助理——你就是走在 Live 路徑上。如果你的產品產出的是紀錄——例如會議記錄、通話紀錄、歸檔資料——你就是走在 Interactions 路徑上。會令人混淆的是，兩者都會產出文字；差別在於，那些文字是即時狀態，還是最終成品。

準確性：串流稅確實存在

Artificial Analysis，這個獨立評測機構的數據被 Go​ogle 在發布文章中引用，其測得串流端點的平均詞錯誤率為 4.0%，非串流端點則為 2.6%。在 FLEURS 多語言基準上，Go​ogle 報告串流為 5.50%，非串流為 5.04%。2.6% 這個數字讓 Ge​mini 3.5 Transcribe 在推出時名列 AA 的 WER 排行榜第 5 名，落後於 ElevenLabs Scribe v2 的 2.2% 和 Microsoft 的 MAI-Transcribe-1.5 的 2.4%——這些是 AA 的測量結果，而非 Go​ogle 的宣稱。

串流數據並不是同一個測試的較差版本。它是不同的運作模式：模型在聽到句子結尾之前就先行決定用詞，並為此付出代價。不要只根據準確度在兩者之間做選擇，因為在任何特定工作負載下，差距都可能翻轉。要根據限制條件來選擇：串流端點有 10 分鐘的工作階段上限、不提供說話者分離，也沒有時間戳記；預錄端點則能處理長達一小時的檔案、標記最多三位說話者，並回傳詞級時間戳記。如果你的應用程式需要說話者標籤，串流模型根本無法勝任，無論它的 WER 是多少。

他們共同之處

這兩個端點共用「智慧轉錄」引擎，而在共享功能方面，兩者之間的選擇是中性的：

• 支援 85 種以上語言的自動偵測，包括在 Live 路徑上的串流中語言切換。

• 不流利清理 — 刪除填充詞，解決自我修正（「星期二——不，星期三」最終會以修正後的日期呈現）。

• 自動格式化 — 將標點符號、大小寫與段落結構套用於輸出。

• 自訂詞彙 — 最多 1,000 個術語，適用於專業術語和產品名稱，而 Google 的文件建議約 100 個以獲得最佳效果。

一個適用於兩者的注意事項：讓輸出內容可讀的「智慧」清理，是以犧牲逐字忠實度為代價的設計決策。彆扭的措辭會被修飾；文字是模型對意圖的解讀，而非法庭記錄。若要取得精確的逐字稿，你需要在有提供逐字選項的地方使用該選項，並且無論如何都應自行驗證在你的音訊上的表現。

每分鐘成本：直播溢價

Google 以代幣為音訊計價，每秒 25 個音訊代幣，輸出則約為每分鐘逐字稿 175 個文字代幣。以牌價計算，每分鐘音訊的綜合成本約為 gemini-3-5-transcribe 0.005 美元，gemini-3-5-transcribe-live 約 0.009 美元——輸入部分為每百萬代幣 2 美元對比 3.50 美元，輸出部分為每百萬代幣 12 美元對比 21 美元。兩者目前皆提供免費方案。

溢價買的是即時路徑，而不是更高的準確度：你為串流端點每分鐘多付約 80% 的費用，而且它的轉錄 WER 較高。這就是誠實的框架。預錄模型既更便宜又更準確；串流模型之所以存在，是因為有些產品無法等待檔案處理完成。

你應該在哪個端點上進行建置？

• 即時字幕與字幕 — Gemini 3.5 Transcribe Live；若你需要時間對齊的輸出，請檢查「無時間戳記」限制。

• 語音代理 — 在句子中途使用 Ge​mini 3.5 Transcribe Live 來辨識意圖；長期工作階段請規劃 10 分鐘上限。

• 會議、訪談、檔案保存 — Ge​mini 3.5 Transcribe，具備2.6%的字錯誤率（WER）、發言者歸屬，以及詞級時間戳。

• 通話後分析 — Ge​mini 3.5 Transcribe 用於已完成的記錄；僅在分析必須於通話期間執行時使用 Ge​mini 3.5 Transcribe Live。

• 長時間連續音訊 — 使用 Gemini 3.5 Transcribe，因為處理一個 60 分鐘的檔案，勝過手動拼接十段 10 分鐘的即時錄音。

位於轉錄稿上方的圖層

這兩種模型都不是 OrcaRouter 所託管的——我們目前不提供語音轉文字的轉發服務，無論你選擇哪個端點，都得直接呼叫 Go​ogle 的 API。路由層對語音管線的作用，是位在轉錄文字之上：摘要器、實體抽取器，以及把串流轉化為決策的行動項目模型。而這一層正是 OrcaRouter 的價值所在——單一 API 涵蓋 200 多種模型，依供應商定價計費、不另加價，跨供應商自動容錯轉移，還有能將多個模型組合成單一呼叫的路由 DSL。你可以依工作負載選擇轉錄端點，再用同一把金鑰執行讀取轉錄內容的模型。

底線

Ge​mini 3.5 Transcribe Live 和 Ge​mini 3.5 Transcribe 屬於同一個家族，但兩者是不同的產品。當轉錄稿必須在對話結束前產生，且你能接受 10 分鐘的會議、無說話者標籤、無時間戳記時，請選擇 Live。當輸出是一份紀錄，且準確性與歸屬比速度更重要時，請選擇 Transcribe——它更便宜、更準確，且限制少得多。唯一錯誤的答案就是假設一個端點能同時做到兩者。