Gemini 3.5 Transcribe
- 上下文
- —
- 输入价
- $2.00 / 百万 tokens
- 输出价
- $12.00 / 百万 tokens
- 许可
- 闭源
概览
Google 于 2026-08-26 在 Gemini API 上线的语音转写模型，一次发布两个端点：gemini-3.5-transcribe 走 Interactions API 处理已录音频，gemini-3.5-transcribe-live 走 Live API 做 WebSocket 流式转写。它不只是转写，smart 模式还会把口语「整理成稿」：删填充词、去口吃与说错重来，并自动把列表、日期、货币排版规整。支持 85 种以上语言与地区变体、自动语种识别，说话人分离最多 8 人（3 人及以上为实验特性），可选词级时间戳。单次请求音频上限 1 小时，开启说话人分离或词级时间戳时降到 30 分钟。计价：输入 $2.00 / 百万 token（或按 $0.003 / 分钟音频），输出 $12.00 / 百万 token（或 $0.002 / 分钟），有免费额度；流式档 gemini-3.5-transcribe-live 为 $3.50 / $21.00。
- 模态
- 音频
能力
- 语音转文字，支持 85 种以上语言与地区变体，可自动识别语种
- smart 模式自动清理口头语：去掉填充词、口吃与说错重来，并自动排版列表、日期与货币
- 说话人分离最多支持 8 人（3 人及以上为实验特性）
- 可开启词级时间戳（会略微影响整体准确率）
- 两套接口：Live API（gemini-3.5-transcribe-live，WebSocket 流式）与 Interactions API（gemini-3.5-transcribe，处理已录音频）
- 单次请求音频最长 1 小时；开启说话人分离或词级时间戳时限 30 分钟