本文要点
- Google 于 2026 年 8 月 26 日发布 gemini-3.5-transcribe 与 gemini-3.5-transcribe-live，官方模型页将其列为稳定语音转文字模型。
- Live 端点通过 Live API 做低延迟流式转写，每个 session 最多 10 分钟，不支持说话人分离和词级时间戳。
- 文件端点单次音频最长 1 小时；启用 speaker diarization 或 word-level timestamps 时最长 30 分钟。
- Smart transcription 会清理口头停顿和格式，但与时间戳及说话人模式不兼容；需要审计原话时优先 Verbatim。
- 先用代表性音频验收语言、术语、角色、延迟和成本；边界功能缺失、时间轴漂移或分段上下文断裂时应停手。
直播字幕能跑，会议验收却缺人名和时间轴
具体场景是：开发者看到 Live 字样，直接把十几分钟直播或会议音频接入 WebSocket。前几分钟有字幕，随后 session 到达 10 分钟边界；导出的文字又没有说话人标签和词级时间戳。可见症状是连接重建、字幕断档、角色混在一起或无法回到原音频定位。失败成本包括直播漏字、人工重排、客服质检不可复核和会议责任归属错误。
错误直觉是继续延长 Live 会话、给提示词要求模型输出它不支持的字段，或把所有音频都切成 10 分钟。正确第一步是列出三个硬要求：必须实时吗、必须区分说话人吗、必须定位到每个词吗。后两项任一为是，就先评估文件端点。
两个端点解决的是不同任务
gemini-3.5-transcribe-live 面向麦克风、直播和语音代理等低延迟输入，通过 Live API 进行流式转写；官方限制是每个 session 最多 10 分钟，不支持 word-level timestamps 和 speaker diarization。它适合即时可读字幕，但不能冒充具备完整角色与词级审计轨迹。
gemini-3.5-transcribe 面向预录文件，通过 Files API 与 Interactions API 处理。它支持说话人分离、词级时间戳、最多 1,000 个自定义词汇和 Smart transcription。普通单次音频最长 1 小时；只要启用说话人分离或词级时间戳，上限就降为 30 分钟。
按交付物选择，而不是按模型名字选择
直播字幕、通话中的即时提示或语音代理输入，优先 Live，并提前实现 10 分钟前的受控续接。会议纪要、访谈、客服质检和法律或合规复核需要角色与时间轴，优先文件端点，把每段控制在 30 分钟以内并保留原音频。只需要离线逐字稿但不需要角色和词级时间戳时，文件端点可以使用最长 1 小时边界。
官方称模型自动检测 85 个以上语言区域并支持会话内语言切换，但这不等于每种中文口音、行业术语和噪声条件都达到你的验收线。公开文档没有给出中文准确率或地区质量排名，必须用自己的代表性样本验证，不能伪造 WER 或体验结论。
Smart、Verbatim、时间戳与说话人的选择矩阵
需要可直接阅读的字幕或纪要，可测试 Smart transcription，它会处理填充词、重复和格式。需要保存原话、逐字核对、时间戳或说话人标签时，使用 Verbatim 路径；官方说明 Smart 模式与 timestamp_granularities、diarization_mode 不兼容，不要在同一请求里强行组合。
文件端点最多区分 8 位说话人，3 位及以上的归属仍标为 experimental。专业词汇可提供最多 1,000 个短语，但官方提示通常 100 个以内效果最佳。先放真正容易识别错的产品名、姓名和缩写，不要把整份词典塞入提示。
上线前的七步验收
第一，按真实任务准备安静、噪声、口音、多人和代码切换样本。第二，确定 Live 或文件端点。第三，按功能限制切段并保留原始时间偏移。第四，只加入必要术语。第五，对照人工参考稿检查漏字、数字、专名、说话人与时间轴。第六，记录首字延迟、总耗时、输入输出 token 和失败重试。第七，验证分段合并、10 分钟续接和故障恢复。
不要拿官方描述或单段演示替代验收。对直播要模拟 session 重连和网络抖动，对文件要测试 30 分钟边界、多人重叠与空白段；输出用于审计或对外发布时，必须保留人工复核和原音频回链。
价格、数据使用与能力边界
Google 定价页显示，文件端点付费层音频输入为每百万 token 2 美元、文本输出 12 美元，官方估算约每分钟 0.005 美元；Live 为输入 3.50 美元、输出 21 美元，估算约每分钟 0.009 美元。免费层可用，但免费层数据可用于改进产品，付费层标为不用于改进产品。价格与资格可能变化，上线前应再次核对项目账单。
Transcribe 不是通用音频理解、语音合成或实时翻译。文件模型不支持 caching、function calling、file search、thinking，也不支持 Batch、Flex 或 Priority；Live 不支持 Google Search grounding。不要因为同属 Gemini 就假设其他模型能力自动存在。
停止、回滚与排错条件
出现连续 session 断档、说话人归属不可接受、关键数字或专名频繁错误、时间戳漂移、分段合并丢上下文、成本或延迟超线时，停止扩量并回到上一条稳定转写链路。先保存 model ID、模式、语言提示、音频时长、功能开关、request ID 和脱敏失败片段，再逐项减少变量。
401、403、429、503 应分别核对密钥、地区权限、配额和容量，可参考<a href="/resources/gemini-api-429-503-rate-limit-guide">Gemini API 429、503 排查指南</a>。只有 DNS、TLS、连接超时或代理认证证据明确时，才转到<a href="/resources/proxy-connection-troubleshooting-checklist">代理连接排查清单</a>；需要稳定访问 API 文档与控制台时，可<a href="/" target="_blank" rel="noopener noreferrer">访问 PuppyIP 官网</a>了解网络环境，但网络不能改变模型能力、配额或地区资格。
常见误区：实时不等于功能更多
误区一是认为 Live 也能输出说话人与词级时间戳；官方明确不支持。误区二是看到文件上限 1 小时，就给开启 diarization 的 60 分钟录音；此时上限是 30 分钟。误区三是把 Smart 输出当作逐字证据；它会清理口头停顿和格式。误区四是把 85+ 语言区域写成所有语言质量一致。
误区五是把连接断开都归因于代理。Live 有明确 10 分钟 session 边界，文件也有功能相关时长限制；先核产品边界和请求配置，再根据错误证据处理网络，避免无意义重试。
资料来源
常见问题
Gemini 3.5 Transcribe Live 每次能运行多久？
Google 模型页写明每个 Live session 最多 10 分钟。长时间字幕需要设计受控续接，并验证重连处是否丢字或重复。
Live 支持说话人分离和词级时间戳吗？
不支持。这两项只在文件端点提供；需要角色和词级时间轴时，应评估 gemini-3.5-transcribe。
文件端点一次可以处理 1 小时音频吗？
普通文件转写最长 1 小时；启用 speaker diarization 或 word-level timestamps 时最长 30 分钟。
Smart transcription 可以和时间戳一起用吗？
不可以。官方说明 Smart 模式与 timestamp_granularities、diarization_mode 不兼容；需要审计原话时应使用 Verbatim 路径。
最多可以区分几位说话人？
文件端点最多支持 8 位说话人，但 3 位及以上的归属仍标为 experimental，必须用真实多人样本验收。
10 分钟断开是不是代理问题？
不一定。先核对是否到达 Live 的 10 分钟 session 上限，再看错误码和连接证据；代理无法改变官方时长和功能限制。