Gemini 3.5 Transcribe 是什么？功能、价格与上手教程一文讲清

Gemini 3.5 Transcribe 是谷歌在 2026 年 8 月 26 日发布的语音转文字（Speech-to-Text）模型，官方称其为迄今精确度最高的转写模型：支持 85+ 种语言自动识别、说话人区分、字词级时间戳，还能自动删除"嗯""呃"等口水词并把口语整理成格式化文本。按官方与第三方测算，价格约 $5/千分钟（约每分钟半美分）。本文用一篇文章讲清它的核心功能、计费方式、API 上手教程和同类工具对比，帮你在 5 分钟内判断要不要用它。

目录：它是什么 → 核心功能 → 价格说明 → 快速上手教程 → 实测表现 → 同类对比 → 适合谁用 → 常见问题

Gemini 3.5 Transcribe 是什么

它不是聊天机器人，而是专门优化"语音 → 文字"这一件事的专用模型，由 Google Gemini 音频团队打造，用来接替上一代转写模型 Chirp 3。目前通过 Gemini API 提供，在 Google AI Studio 和 Gemini Enterprise Agent Platform 上均可调用。

谷歌自己的产品已经先一步用上了它：Android Gboard 键盘的 Rambler 语音输入、macOS 版 Gemini 应用的语音指令，底层都是这个模型。也就是说，你在 Pixel 手机上用语音打字时自动去掉口水词的体验，就是这个模型驱动的。

核心功能：5 个能力值得关注

其中"智能转写"是它和传统转写工具拉开差距最大的地方。举个官方文档里的例子：你说"嗯，关于会议，我觉得我们应该邀请 Alice 和，等等，是 Bob 和 Carol"，普通转写模型会原样输出这堆混乱口语，而 Gemini 3.5 Transcribe 的智能模式直接输出"我认为我们应该邀请 Bob 和 Carol 参加这次会议"。再比如你口述"第一项检查预算第二项确定时间表第三项发送总结"，它会自动整理成编号列表。

需要注意的取舍：智能模式和字词级时间戳、说话人区分互斥——需要时间戳或说话人标注时，必须用逐字（verbatim）模式。

价格：约 $5 转写 1,000 分钟音频

官方按 token 计费，不在常规模型价目表里单列套餐：

按 Artificial Analysis 的折算口径（每秒音频约 25 个 token），文件转写约 $5/千分钟（≈$0.005/分钟），实时流式版约 $9/千分钟。谷歌开发者生态负责人 Logan Kilpatrick 也在 X 上确认了"约每分钟半美分"这个量级。

入门成本为零：在 Google AI Studio 注册后即可免费试用，免费层对模型访问和 token 都有宽裕额度（注意免费层的内容会被用于改进 Google 产品，商业项目建议升级付费层）。

一句话换算：转写一场 1 小时的会议录音，成本大约 3 美分——比一瓶水的价格还低。

快速上手教程：三步转写你的第一段音频

第一步：获取 API Key

进入 Google AI Studio，点击"Get API key"创建密钥。国内开发者需要能正常访问 Google 服务的网络环境。

第二步：上传音频并调用模型

用官方 SDK 的 Files API 上传音频文件（支持 mp3、wav 等常见格式），然后把文件传给模型：

from google import genai

client = genai.Client()

audio_file = client.files.upload(file="path/to/meeting.mp3")

interaction = client.interactions.create(
    model="gemini-3.5-transcribe",
    input=[
        {
            "type": "audio",
            "uri": audio_file.uri,
            "mime_type": audio_file.mime_type,
        }
    ],
)

print(interaction.output_text)

第三步：按需开启高级配置

所有配置都放在 generation_config 的 transcription_config 里，常用的四项：

interaction = client.interactions.create(
    model="gemini-3.5-transcribe",
    input=[{ "type": "audio", "uri": audio_file.uri, "mime_type": audio_file.mime_type }],
    generation_config={
        "transcription_config": {
            "language_codes": ["cmn-Hans-CN"],           # 指定简体中文，已知语言时建议指定以提高准确率
            "custom_vocabulary": ["Gemini", "BigQuery"], # 自定义专有名词，最多 1,000 个
            "mode": {                                    # 逐字模式下开启说话人区分 + 字词时间戳
                "type": "verbatim",
                "diarization_mode": "speaker",
                "timestamp_granularities": ["word"],
            },
        }
    },
)

三条来自官方文档的实践建议：已知语言时务必指定 language_codes；自定义词汇只放领域术语和专有名词，别放日常词汇；超过几秒的音频一律走 Files API 上传，不要直接塞 base64。

实测表现：官方数据和开发者真实反馈

官方基准数据（由第三方机构 Artificial Analysis 测量）：

• 平均词错率（WER）：流式 4.0%，非流式 2.6%
• FLEURS 多语言基准：流式 5.50% WER，非流式 5.04% WER，均优于上一代 Chirp 3
• 最终转写耗时（time to final transcription）比 Chirp 3 快 70%

Hacker News 上开发者的一手测试反馈（讨论帖）值得冷静看：

1. 延迟有竞争力：一位实时翻译工具开发者实测后表示，Gemini 3.5 Transcribe 的延迟比主打的竞品 Soniox 还略低，但 Soniox 价格更便宜；
2. 嘈杂环境表现不错：有用户用便宜的麦克风录的会议录音测试，Google 的结果"还不错"，而 OpenAI 的模型开始出一些明显错误；
3. 小坑：有用户反馈录音开头部分会被"吃掉"，对开头截断敏感的场景要注意预处理。

综合来看：它不是所有维度都第一，但"准确率 + 延迟 + 智能整理"三件事同时做到位的，目前只有这一家。如果你要做语音 Agent 或实时字幕，建议像 HN 上那位开发者一样，用自己的真实音频对两三家跑一轮 A/B 测试再定。

Gemini 3.5 Transcribe vs Whisper vs Soniox 怎么选

选型结论：追求转写质量和智能整理、不想自己维护模型 → Gemini 3.5 Transcribe；数据敏感必须私有化 → Whisper 自部署；转写量大、成本敏感 → Soniox 值得进候选名单实测。

它和语音输入、AI Agent 的关系

如果你的需求是"日常打字用语音"，不需要碰 API——Android 的 Gboard（Rambler 功能）和 macOS 版 Gemini 应用已经内置了这个模型。国内用户也可以参考我们此前的语音输入工具评测和 AutoGLM 语音输入上手指南，其中不少产品同样支持实时语音转文字。

对开发者来说，Gemini 3.5 Transcribe 是搭建语音交互 Agent 的关键拼图：实时流式接口负责"听"，理解与执行交给通用模型。想系统了解这类架构，可以先看我们的 AI Agent 入门和 Gemini Omni Flash 介绍。

适合谁用（和不适合谁）

适合：

• 做会议纪要、访谈整理、播客字幕的团队（智能模式直接省掉人工整理）
• 开发语音助手、实时字幕、通话分析产品的开发者
• 有多语言、多说话人、专业术语识别需求的场景

不适合：

• 数据必须完全私有化的场景（它是纯云 API，无自部署选项）
• 需要转写超过 1 小时单条音频的场景（需自行切片）
• 预算极度敏感的超大规模转写（可对比 Soniox 等更便宜的方案）

总结

Gemini 3.5 Transcribe 把"转写得准"和"转写得能直接用"合并成了一个 API：2.6% 的非流式词错率属于第一梯队，智能转写模式省掉的更是人工整理时间，$5/千分钟的价格对绝大多数场景都可以忽略不计。它不是最便宜的（Soniox 更低），也不能私有化（Whisper 的领地），但如果你要的是"开箱即用的最高质量转写"，它目前就是默认答案。建议先用 Google AI Studio 的免费额度拿自己的真实音频跑一轮，再决定接入方案。

---

参考资料：

1. Google 官方公告：Intelligent transcription with Gemini 3.5 Transcribe
2. Gemini API 模型文档
3. 音频转写官方指南
4. Hacker News 开发者实测讨论

最后更新：2026 年 8 月 28 日 · 作者：AI345 编辑部（关注 AI 工具评测与开发者教程）