正在加载，请稍候
对比 Gemini 3.5 Transcribe、Whisper 系开源与云厂商 ASR 在成本、时延、说话人分离上的差异，覆盖客服质检、会议纪要、语音 Agent 三大场景，含中文质检避坑建议。
8 月底 Google 推出专用语音转文字模型，原生带说话人分离和词级毫秒时间戳，支持 85+ 语言自动识别，还能通过 custom_vocabulary 传入最多 1000 个领域术语。对做客服质检、会议纪要、语音 Agent 的团队来说，语音识别 API 选型的账要重新算一遍。
客服质检最看重离线全量转写的准确率，要能分清坐席和客户，还要认识产品名、活动名这类专有名词。录音通常按小时计费，成本敏感，错字率直接影响后续规则命中。
会议纪要需要近实时出稿，说话人分离是刚需：谁说了什么必须对齐。错一个字影响不大，但把话安到错误的人头上，纪要基本没法用。
语音 Agent 入口是另一个极端，时延优先。首字响应要快，还要支持流式打断。这一层对语义理解的要求高于纯转写，往往要接 LLM 一起做，ASR 只是管线第一环。
这款模型的核心卖点有三项。一是 85+ 语言自动识别与代码切换，中文英文混说时无需预先指定语种；二是原生说话人分离与词级毫秒时间戳，省掉自己拼 VAD 和声纹聚类的工程量；三是领域术语定制，专有名词拼写错误能明显减少。
它还提供 Smart Transcription 与 Verbatim 两种模式。Smart 会清理「嗯、啊」这类填充词，适合会议纪要；Verbatim 保留原文，适合字幕同步和质检取证。两种模式的取舍，决定了同一份录音会产出不同的下游文本。
调用形态分 Live API 与 Interactions API：前者用于流式场景，后者处理预录音频和多轮对话。工程上要在第一版就定好用哪个，接口语义完全不同，后期切换成本不低。
| 对比维度 | Gemini 3.5 Transcribe | Whisper 系自托管 | 传统云厂商 ASR |
|---|---|---|---|
| 部署形态 | 托管 API | 自建 GPU | 托管 API |
| 说话人分离 | 原生 | 需外挂 VAD 加聚类 | 多数需外挂 |
| 术语定制 | 最多 1000 词 | 需微调或后处理 | 视厂商而定 |
| 时延特性 | 官方定位快速低成本 | 取决于 GPU 规模 | 中等 |
| 计费方式 | 按量计费 | 固定 GPU 成本 | 按量计费 |
自托管 Whisper 的优势是固定成本，转录量越大单价越低，数据也不出域。但说话人分离、标点、术语、模型更新这些工程都要自己扛。托管方案按量计费，时延和准确率有服务方兜底，适合把精力放在业务侧的团队。
选型判断可以简化为一句：数据合规允许出域、团队不想养 GPU 运维，优先托管；数据严格不出域、已有闲置算力，才值得自托管。价格维度要看真实录音时长，不能只看单条 API 报价。
我们 2025 年给一个零售行业客户做客服质检改造，最初方案是自托管 Whisper 跑中文录音。上线后问题集中在三处：产品名和活动名错误率高，方言口音识别差，坐席与客户的分离要靠自拼 VAD 加声纹聚类，准召率上不去。两台 GPU 的固定成本还压在项目里，预算和效果两头难受。
后来换成托管 ASR，术语表把品牌名和活动名一次配齐，质检准召率明显改善，GPU 和运维人力都省了下来。这个案例的教训是：别只盯着「模型免费」算账，工程成本和效果风险都是真实开销。纯开源方案适合数据不出域或算力闲置的场景，不是默认选项。更多工程选型思路可看站内博客，语音类项目复盘见客户案例。
支持。模型覆盖 85+ 语言，支持自动识别与代码切换，中英文混说时无需预置语种。
字幕同步、质检取证用 Verbatim 保留原文；会议纪要、要点抽取用 Smart 清理填充词。注意 Smart 可能改写原文，两份结果不能直接混用。
最多 1000 个领域术语，可覆盖产品名、人名、行业黑话，是控制专有名词拼写错误的主要手段。
数据严格不出域、已有闲置 GPU 时值得考虑；否则托管方案在时延、说话人分离、术语配置上更省成本，工程风险更低。
如果你们正在为语音 Agent 或质检系统做选型，可以带上真实录音样本找我们做一次对比评估，联系蓝曜炬辉，我们按场景给结论，不按模板给方案。