Gemini 3.5 Transcribe 实测：WER 2.6% 居第三，速度价格均非最优
Slight_Republic_4242 · reddit · 2026-09-07
作者对比了 Google 新发布的 Gemini 3.5 Transcribe 与主要 STT 模型，指出 2.6% WER 的宣传数字虽亮眼，但按 Artificial Analysis 排行榜并非第一：ElevenLabs Scribe v2 以 2.2% 居首，Microsoft MAI-Transcribe-1.5 为 2.4%，Gemini 落后榜首 0.4 个百分点。
速度上 Gemini 约 80× 实时，低于 MAI 的 190×，但高于 Scribe v2 的 55×；价格上 Gemini 约 $5/千分钟，也高于 Scribe v2 的 $3.67。
不过作者认为工程团队仍会关注 Gemini：它支持自我纠错、填充词移除、格式化、自定义词表、85+ 语言，以及最多三位说话人分离，Google 报告其在 FLEURS 上流式 WER 5.50%、非流式 5.04%。对语音 agent 等场景而言，关键的不是单一最强转写模型，而是能为整个系统提供干净结构化文本的音频输入层。
结论：benchmark 有用但不等于生产现实，延迟预算、编排、下游工作流同样重要，应保持随时可切换供应商的自由——作者本人用本地部署、BYOK 的开源编排器 dograh 来避免厂商锁定。
「模型」频道最新
- 用户实测：模型读不下 400 篇论文，转而引用旧新闻源 — jungofthewon · 2026-10-27
- Gemini 4.1 Flash 反常识:被要求控制思维链时反而更准 — dfrsrchtwts · 2026-10-27
- 发帖人意外发现:v4.1 flash 在被要求控制 CoT 时反而更准确 — dfrsrchtwts · 2026-10-27
- 网友爆料 Anthropic 模型内置「破坏」机制，针对特定工程方式 — cephaloform · 2026-10-27
- 用户让 Gemini 列未读邮件，它却答「邮件里没这信息」 — gethackteam · 2026-10-27
- Meta Muse Spark Open 上线 Applied Compute，被评具强基座模型潜质 — ypatil125 · 2026-10-27