谷歌发布Gemini 3.5 Transcribe语音识别模型

双端点架构：实时流式与离线批量分离

Gemini 3.5 Transcribe并非单一模型服务，而是由两个功能边界清晰、互不兼容的API端点组成：`gemini-3.5-transcribe-live`通过Live API支持双向流式语音输入，适用于实时场景；`gemini-3.5-transcribe`则通过Interactions API处理预录制音频文件。二者在能力、调用限制、计费方式上完全独立——不共享功能集，也不共用配额或定价策略。开发者需根据具体需求明确选择路径，无法在单次调用中混合使用。

实时流式API：低延迟但能力受限

Live API面向亚秒级连续转录，支持interim_input_transcription（说话过程中的推测性片段）与input_transcription（话轮结束后的最终结果）。音频输入要求为16位PCM、16kHz单声道、每100ms分块传输。支持自动/混合/手动语音活动检测（VAD），并提供临时令牌机制，使移动端与Web端可在不暴露API密钥前提下安全流式上传。但存在硬性约束：单次会话最长10分钟；不支持说话人区分（speaker diarization）；不提供词级时间戳（word-level timestamps）。

离线批量API：高精度增强功能

Interactions API覆盖流式无法实现的能力：支持说话人区分、词级起止时间偏移（word-level start/end offsets），以及自定义词汇表偏置（custom vocabulary biasing）。词汇表最多容纳1000个术语，实测效果在100词以内最佳。标准请求支持最长60分钟音频；若启用说话人区分或词级时间戳，上限降至30分钟。

Verbatim与Smart双模式：语义清洁 vs 原始保真

两个端点均提供两种输出模式。`verbatim`为默认模式，保留所有填充词、重复、中断与自我修正；`smart`模式则主动清理不流畅表达，内联解析口语自我纠正，并应用结构化格式。例如，对‘Um, so for the meeting, I think we should, uh, invite Alice and, wait no, Bob and Carol.’，verbatim原样返回，smart则输出‘For the meeting, I think we should invite Bob and Carol.’。关键限制在于：smart模式不可与词级时间戳或说话人区分同时启用——精度、结构化与语义净化三者不可兼得，需按用例取舍。

性能与多语言能力

据第三方评测机构Artificial Analysis测试，Gemini 3.5 Transcribe在通用基准下平均词错误率（WER）为：流式4.0%，离线批量2.6%；在多语言FLEURS基准中对应为5.50%与5.04%。相较前代Chirp 3模型，最终转录完成时间提升70%。语言覆盖超85个语种及地区变体，支持无需配置的自动语种检测与中句级代码切换（mid-sentence code-switching）。

商业路径与生态集成

模型仅以托管API形式开放：无开源权重，无本地部署选项。开发者可通过Google AI Studio免费层起步；中型企业升级至付费层获取更高调用限额；受监管企业则接入Gemini Enterprise Agent Platform，获得专用吞吐量、合规管控与阶梯式用量折扣。目前两类路径均处于公开预览阶段。生态方面，Live API已集成LiveKit、Pipecat、Agora、Fishjam、Vercel及Vision Agents；终端侧已驱动Android版Rambler、macOS版Gemini应用及Google Antigravity，Chrome浏览器支持即将上线。

编者观点：对中国企业的启示

该发布凸显大厂正将语音AI从“单模型单服务”转向“场景化API矩阵”，通过能力解耦与权责隔离强化工程可控性与商业颗粒度——中国企业推进语音产品化时，需同步构建面向实时交互与离线分析的双轨技术栈与商业化路径。