Gemini 3.5 Transcribe 与 OpenAI 的 GPT-Transcribe 对比
内容提要
2026年8月，谷歌发布Gemini 3.5 Transcribe，对标OpenAI四周前推出的GPT-Transcribe。两者均提供实时流式与预录音频两款模型。Gemini词错率更低（流式4.0%、非流式2.6%），支持85种以上语言，内置最多三人说话人分离与词级时间戳；GPT-Transcribe价格更低（每分钟0.0045美元），但需另调模型实现分离与时间戳。多说话人场景宜选Gemini，单说话人转录或实时字幕宜选GPT。
延伸解读
词错率数据需注意基准差异
文章引用的词错率数据来自不同基准：Gemini的4.0%流式和2.6%非流式来自Artificial Analysis，而GPT-Transcribe的19.27%来自OpenAI在Common Voice上的自测。两者并非同一测试集，直接比较数值可能产生误导。读者应关注各自基准下的表现，而非简单对比百分比。
内置说话人分离与时间戳的实用价值
Gemini 3.5 Transcribe预录模型内置最多三人说话人分离和词级时间戳，无需额外调用模型。对于会议转录、通话记录等多说话人场景，这能简化流程并降低集成复杂度。而GPT-Transcribe需借助gpt-4o-transcribe-diarize或whisper-1实现类似功能，增加了调用步骤和潜在成本。
定价与功能取舍
GPT-Transcribe文件转录每分钟0.0045美元，流式每分钟0.017美元，价格明确且较低。Gemini未公布按分钟定价，但提供更丰富的内置功能。选择时需权衡：若预算敏感且只需单说话人转录或实时字幕，GPT-Transcribe更经济；若需多说话人区分和时间戳，Gemini的内置能力可能抵消其未公开的定价优势。
语言支持与定制能力对比
Gemini支持85种以上语言，并允许自定义词汇；GPT-Transcribe提供关键词和语言提示，覆盖22种以上基准语言，并能报告检测到的语言。对于多语言或专业术语场景，两者都提供定制手段，但Gemini的语言覆盖更广，而GPT-Transcribe的提示机制可能更灵活。实际选择应基于目标语言和术语需求。
Q&A
Gemini 3.5 Transcribe 和 GPT-Transcribe 分别是什么时候发布的？
Gemini 3.5 Transcribe 于 2026 年 8 月 26 日发布，GPT-Transcribe 于 2026 年 7 月 28 日发布，两者相隔约四周。
Gemini 3.5 Transcribe 的词错率是多少？
根据 Artificial Analysis 的测量，Gemini 3.5 Transcribe 的流式词错率为 4.0%，非流式为 2.6%。在 FLEURS 多语言基准上，流式 WER 为 5.50%，非流式为 5.04%。
GPT-Transcribe 的价格是多少？
GPT-Transcribe 的文件转录价格为每分钟 0.0045 美元，流式变体 gpt-live-transcribe 的价格为每分钟会话音频 0.017 美元。
Gemini 3.5 Transcribe 支持说话人分离和时间戳吗？
是的，Gemini 3.5 Transcribe 的预录音频模型内置多说话人分离功能，可靠支持最多三人，并提供词级时间戳，无需额外模型。
GPT-Transcribe 能直接做说话人分离吗？
不能，GPT-Transcribe 本身不支持说话人分离，需要调用单独的 gpt-4o-transcribe-diarize 模型；词级时间戳也需要使用旧的 whisper-1 模型。
多说话人会议转录应该选哪个模型？
多说话人场景宜选 Gemini 3.5 Transcribe，因为它内置说话人分离和词级时间戳，能直接输出带说话人标签和时间戳的转录结果，无需额外模型调用。
实时字幕场景更适合用哪个模型？
实时字幕场景更适合用 GPT-Transcribe 的流式模型 gpt-live-transcribe，它通过 WebSocket 提供低延迟的增量转录，适合对延迟敏感且不需要说话人分离的场景。
Gemini 3.5 Transcribe 支持多少种语言？
Gemini 3.5 Transcribe 支持超过 85 种语言，并能识别自定义词汇。
