Google 在 X 上宣布,把 Gemini 3.5 Transcribe 的语音编辑能力(即 Gboard 上 Rambler 和 macOS 版 Gemini 应用背后的技术)开放给 Gemini API。官方更新日志显示,gemini-3.5-transcribe 与 gemini-3.5-transcribe-live 已于 11 月 17 日支持语音驱动的编辑、改写和格式化:开启 Smart 转写模式即默认启用,可在同一段录音里边口述边下修改指令,也可通过 source_text 传入最多 64 KiB 的已有文本,让模型按语音指令改好后返回完整新文本。

核心要点速览

  • ✓Gemini API 的 gemini-3.5-transcribe 和 gemini-3.5-transcribe-live 于 11 月 17 日支持语音编辑,Google 11 月 20 日在 X 上正式宣传
  • ✓只要 transcription_config 的 mode 设为 smart 就默认启用,口述内容和“把时间改成三点”这类修改指令可放在同一段录音里
  • ✓可在 source_text 字段传入最多 64 KiB 的已有文本,模型按语音指令编辑、改写或格式化后在 output_text 返回完整的新文本
  • ✓Live API 会话中服务器维护当前文本,input_transcription 返回完整替换文本;interim_input_transcription 只是正在说的原话,需等最终结果再更新文档
  • ✓付费层定价为音频输入每百万 token 2 美元、文本输出 12 美元,官方估算综合约每分钟 0.005 美元;未公布语音编辑专项跑分
⚡

关键决策指标一览

一眼结论
🏆 权威跑分段位榜单
本文不涉及具体模型跑分 · 去天梯榜看当前排名
查看天梯总榜→
🛠️ 开发与接入生态规则
Gemini API · 语音转文字 · 语音编辑
配置 IDE 专属规则↗
🧭

把技术选型换算成你的开发预算

40 款主流编程套餐横向比价,支持输入/输出 Token 真实账单模拟

🔬

深度技术解析与实战评估

核心背景与行业痛点

语音输入常停留在“逐字转写”,想改一句话还得回到键盘手动编辑。Google 已在 Gboard 的 Rambler 和 macOS 版 Gemini 应用中用上语音编辑,如今 在 X 上宣布 把这项能力开放给 Gemini API 开发者;官方更新日志 显示功能已于 11 月 17 日上线。

架构亮点与底层机制

据 转写文档,在 Smart 模式下语音编辑默认开启:同一段录音里既可口述正文,也可下“改写”“格式化”等指令;也能通过 source_text 传入最多 64 KiB 的已有文本,模型执行指令后返回完整新文本。Live 转写 中服务器在会话内维护当前文本,持续返回替换后的全文。

权威 Benchmark 与实测跑分对比

官方未公布语音编辑相关跑分。定价页 显示付费层音频输入每百万 token 2 美元、文本输出 12 美元,估算综合约每分钟 0.005 美元,免费层可用。

开发者实战落地与开箱指南

在 Interactions API 调用 gemini-3.5-transcribe,把 mode 设为 smart 并按需附上 source_text 即可;实时场景用 Live API,注意等最终 input_transcription 再写入文档。适合做语音笔记、邮件改写、免手操作的编辑器。

实战指南准备好将技术转化为生产力?

即刻查看该技术对应模型与主流工具的实测差异,或一键测算团队 API 调用与 $20/月套餐盈亏平衡点。

接着读Artificial Analysis 推出 Diarization Index 说话人分离基准:按词级说话人错误率 WDER 评测语音转文字 API,NVIDIA Nemotron 3.5 Transcribe 以 3.3% 领先,Voxtral Small Transcribe 3 以 7.5% 居次
立即阅读→